文章摘要：隐式神经表示作为捕获复杂数据模式的强大框架获得了突出地位，包括从 3d 形状到图像和音频的广泛范围。在三维形状表示领域，神经符号距离函数(sdf)在忠实地编码复杂的形状几何方面表现出了显著的潜力。然而，在没有基本事实监督的情况下，从 3d 点云中学习 sdf 仍然是一项具有挑战性的任务。在本文中，我们提出了一种推断占用字段而不是 sdf 的方法，因为它们更容易从稀疏输入中学习。我们利用基于边际的不确定性度量从占用函数的决策边界的不同样本，并使用输入点云监督采样的边界点。我们通过使占用函数偏向最小熵场，同时最大化输入点云的熵，进一步稳定训练早期阶段的优化过程。通过广泛的实验和评估，我们说明了我们提出的方法的有效性，突出了它在基线方面改进隐式形状推断的能力，以及使用合成数据和真实数据的最新技术

结论：我们提出了一种从稀疏、有噪声和无向点云重建隐式形状的方法。我们的结果表明，占用字段为此任务提供和有效的隐式形状表示，即使在无监督设置中也可以成功学习它们。在我们的精心设计的损失下，占用率 out- 执行基于 sdf 的最先进方法，以及其他我们在消融研究中显示的基于占用率的基线。

目前存在的问题：

文章主要研究内容：

之前的研究：

下
 

论文方法

论文翻译：