用「洞穴探索」彌合神經隱式表征的差距

由尼古拉斯·夏普和亞歷克·雅各布森拍攝，2022。原始的3D模型由sketchfab用戶ncassab在CC Attribution使用。

SIGGRAPH 2022年技術論文最佳論文獎的獲獎者「洞穴探索」通過範圍分析對一般神經隱式曲面的有保證查詢」介紹了一種新的技術來處理神經隱式形狀表示。SIGGRAPH采訪了撰稿人Nicholas Sharp和Alec Jacobson，了解了更多關於這項獲獎研究的信息，包括他們是如何取得具體成果的，以及他們對該研究未來應用的設想。此外，隨著SIGGRAPH 2023技術論文提交的倒計時開始，看看夏普和雅各布森對未來的貢獻者有什麽建議。

祝賀您獲得SIGGRAPH 2022年最佳技術論文獎!分享一些關於「洞穴探索:通過範圍分析對一般神經隱式曲面的保證查詢」的背景知識。是什麽激發了這項研究?
尼古拉斯·夏普(NS):神經隱式表示——通過空間中的神經網絡來表示形狀——在過去幾年裏已經成為計算機圖形學的一場革命。它們非常令人興奮，在解決3D重建等問題時效果非常好。但我們在對這些表示進行低級幾何操作的能力上仍然存在一些基本的差距，比如測試兩個形狀是否重疊。我們想要填補一些空白。

告訴我們你是如何發展這項工作的。它解決了什麽問題?
NS:這個項目源於想要更多的技術來處理神經隱式形狀表示。如果它們停留在計算機圖形中，我們需要建立我們的工具箱來處理它們，就像我們處理三角形網格一樣。這項研究為科學家、工程師和藝術家提供了更多的工具，他們希望使用神經隱式表示構建更高層次的應用程序，如模擬或動畫角色。

你們在開發過程中遇到了什麽挑戰?在這個過程中，你最驚訝的是什麽?
NS:我們在這個項目中使用的主要技術是一種叫做「極差分析」的計算方法。一旦我們想到使用極差分析，我們就認為問題已經解決了!但後來我們發現，在許多我們想要解決的任務中，基本的距離分析實際上並不能很好地發揮作用——我們不得不對距離分析的一種特殊變體「仿射算術」進行更深的挖掘，才能真正使其發揮作用。

亞歷克·雅各布森(AJ):Nick是一個異常頑強的研究員。我們在這個項目中經歷了一些起起伏伏。我們最初使用標準區間算法的嘗試在某些任務上成功了，但在另一些任務上卻失敗了。Nick並沒有放棄或重新定義我們的問題以避免困難的情況，而是深入挖掘範圍分析文獻，發現我們的問題與其他不同領域的人遇到的問題相呼應。我們論文的貢獻直接來自Nick對這些文獻的剖析，並將其提煉為對我們社區中人們所關心的任務非常有效的技術。

SIGGRAPH:有了「洞穴探索之深」，查詢結果保證了準確性，即使是在隨機初始化的網絡上。你是如何達到這個結果的?
NS:這個屬性真的很重要——許多基於神經網絡的技術只有在神經網絡能夠很好地適應數據的情況下才「大部分」工作，但是我們在這項工作中開發的查詢總是給出正確的答案，在一些預定義的容忍範圍內，無論你的數據或神經網絡有多瘋狂。這個性質來自於極差分析——我們的算法不斷地改進解決方案，直到他們能夠確定答案是正確的。

你認為這項研究在未來會如何應用?

NS:我們希望這些技術將成為操作3D神經隱式形狀的通用工具。如果將它們集成到代碼庫和引擎中，它們可以讓圖形社區在新的應用程序中無縫地利用最新的基於人工智能的形狀表示。

SIGGRAPH: SIGGRAPH 2022很高興引入技術論文圓桌會議。告訴我們你的SIGGRAPH 2022經歷。與SIGGRAPH參與者的任何關鍵時刻或互動都很突出嗎?
NS:我真的很喜歡SIGGRAPH 2022。會議最好的部分是與我們領域的傑出人士一對一交流，圓桌會議提供了更多這樣的機會。

AJ:哇。回到SIGGRAPH現場真是讓人松了一口氣!雖然我對我們在大流行早期舉行的虛擬會議的某些方面表示贊賞，但與其他研究人員面對面並最終與新一批學生研究人員見面是非常寶貴的。

對於那些想要提交未來SIGGRAPH會議的技術論文的人，您有什麽建議?
NS:好的可視化和圖表是解釋你的工作的關鍵!人們有時會誤以為它們只是花瓶，但實際上一張好的圖片比一列又一列的文字更能解釋你的論文。值得投入大量的精力去創造能夠講述你的研究故事的視覺效果。

AJ:我最強烈的建議是尋找那些你個人喜歡合作的合作者。如果你積極地期待每一次與同事一起工作的機會，研究挑戰就會更容易忍受。