近日，我院蔡棽老师指导的视觉与几何感知实验室在计算机视觉和图形学领域的研究工作被CCF A类会议CVPR 2024 接收，这也是该实验室在本领域取得的系列重要进展之一。到目前为止，实验室已经在神经隐式表示等三维深度学习研究方向上取得了多项进展，发表了多篇CCF A/B类会议论文。进展情况介绍如下：

1.无符号正交距离场：一种适用于各类三维形状的精确神经隐式表示方法。

该研究提出一种针对任意三维模型的精确神经隐式表示方法——无符号正交距离场（UODFs），不同于有符号距离场（SDF）和无符号距离场（UDF）中最小距离通过多方向搜索得到，UODFs中的每个点沿着三个正交方向定义距离和直接推理最近表面点（模拟激光的特性），避免引入插值误差从而提升了重建精度。一系列水密、非水密、多孔、组合模型的重建实验验证了本方法的有效性。

网络架构和处理流程图

该项工作成果已被CVPR 2024国际会议（CCF A类）接收，计算机学院2021级研究生卢雨洁为第一作者，蔡棽老师为通讯作者。

2.基于球节点图的三维物体最简表示与分类。

该研究提出了一种极简的三维模型表示方法——球节点图，通过在模型内部的SDF场中确定球心及其半径（SDF值），并建立连边关系形成图表示，三维模型可以用少量基元（如32个）即可展示其几何结构。对球点图利用图神经网络（GNNs）提取并聚合特征，在非旋转模型和旋转模型的分类任务上都取得了当时最好的精度结果。

球节点图示意。第一行：不同分辨率下飞机模型；第二行：32球节点的不同模型。

该项工作成果发表在ICME 2021国际会议（CCF B类），并进行了口头报告，计算机学院2019级研究生张斯禹为第一作者，蔡棽老师为通讯作者。

3.基于空间关键球的三维模型高保真神经隐式压缩表示与重建。

该研究提出利用显式的空间关键球辅助实现三维模型的高保真神经隐式压缩表示与重建，通过在模型内部的SDF场中提取空间关键球，并利用简单的特征聚合网络提取全局形状信息赋予给每个空间点，SDF拟合的精度（同等网络大小下）得到显著提高，或需要的网络参数（同等重建精度下）得到了明显下降。

网络架构图

该项工作成果长文发表在DCC 2022国际会议（CCF B类），并进行了口头报告，计算机学院2020级研究生李沅展为第一作者，蔡棽老师为通讯作者。