細部までSDFで復元される Stanford Armadillo
複数のニューラルSDF手法による再構成比較。出典: Q. Bai et al., “Learning Compact Latent Space for Representing Neural Signed Distance Functions with High-fidelity Geometry Details”, Figure 12, AAAI 2026.
今回のStanford Armadillo
今回のStanford Armadilloは、三角形メッシュをニューラルSigned Distance Functionへ学習し、細かな表面形状をどこまで復元できるかを調べる評価モデルとして使われています。
メッシュを[-0.9, 0.9]^3へ正規化し、Manifoldでwatertight化してSDFの教師データを生成します。形状全体を表す256次元latent codeと、局所形状を保持する3次元feature gridを共同で学習し、512^3のMarching Cubesで再構成します。
Table 6ではChamfer Distance 9.14e-6、F-Score、Precision、Recallはいずれも0.999です。今回はポリゴンを直接加工されるのではなく、いったん距離場へされてから細部まで作り直されています。
今回の扱い：watertight化され、SDFを学習され、ニューラル表現から再構成される
状態：その他（元形状を教師として再構成）
論文の内容
Compact latent spaceと高周波detailの両立
Neural SDFには、複数形状をcompact latent codeで共有するgeneralization型と、個別形状へ高精度にfitするgrid型があります。前者は細部を失いやすく、後者は多数形状を共通latent spaceへまとめにくいという性質があります。
提案法は二つのbranchを組み合わせ、表面から離れた領域をgeneralization branch、表面近傍の細かなdetailをoverfitting branchに担当させます。
Surface bandwidth
まずgeneralization branchから粗いsurfaceを生成し、そのsurfaceが通るvoxel周辺をbandwidthとして指定します。実験では3 layer分を利用し、この領域内ではlocal feature gridを使うbranchへ切り替えます。
bandwidthを狭くしすぎるとdetailが減り、広げすぎるとartifactが増えます。ablationではn=3が採用されています。
Sampling strategy
全空間では128^3相当の低密度samplingを使い、surface近傍だけ512^3相当の高密度sampleを生成します。
SDF精度が重要なzero level set近傍へsampleを集中させることで、256^3 uniform samplingより少ないsample数で同等以上のChamfer Distanceを得ています。
Network構成
二つのbranchはいずれも8 hidden layers、各512 unitsです。shape codeは256次元、spatial feature gridは128^3で、各featureは128次元です。
4000 epoch学習し、再構成は512^3 Marching Cubesで行います。
評価
single-shape reconstructionでは複数のscan-derived complex modelsを使い、ACORN、NGLOD、Instant-NGP、MosaicSDF、HyperDiffusionなどと比較します。
6形状平均では提案法のChamfer Distanceが6.56e-5、F-Score 0.983、Precision 0.969、Recall 0.998でした。
ShapeNetCore.v2のmulti-shape reconstructionやD-FAUSTのpartial observation completionでも評価し、単一形状overfitだけではなくlatent spaceとしての汎化も確認しています。
制約
supervised learningなのでground-truth SDFが必要です。raw point cloudから直接SDFを推定する手法ではありません。
またwatertight conversionなどのpreprocessingへ依存し、surface bandwidthも固定hyperparameterです。粗いbranchでbandを決めてから高精細surfaceを再生成するため、一回のnetwork evaluationだけで完結する構成でもありません。
論文情報
Learning Compact Latent Space for Representing Neural Signed Distance Functions with High-fidelity Geometry Details
Qiang Bai, Bojian Wu, Xi Yang, Zhizhong Han
- arXiv: 2511.14539
- AAAI Proceedings公開: 2026年3月14日
- DOI: https://doi.org/10.1609/aaai.v40i4.37220
- 分野: Neural Implicit Representation / SDF / 3D Reconstruction
- 使用モデル: Stanford Armadillo
- 使用箇所: Appendix E、Figures 12・13、Table 6
- preprocessing: [-0.9, 0.9]^3へ正規化、watertight化
- reconstruction: Marching Cubes 512^3
- Chamfer Distance: 9.14e-6
- F-Score / Precision / Recall: 0.999 / 0.999 / 0.999
- 用途: neural SDFの高精細再構成と局所誤差評価