用“洞穴探索”弥合神经隐式表征的差距

由尼古拉斯·夏普和亚历克·雅各布森拍摄，2022。原始的3D模型由sketchfab用户ncassab在CC Attribution使用。

SIGGRAPH 2022年技术论文最佳论文奖的获奖者“洞穴探索”通过范围分析对一般神经隐式曲面的有保证查询”介绍了一种新的技术来处理神经隐式形状表示。SIGGRAPH采访了撰稿人Nicholas Sharp和Alec Jacobson，了解了更多关于这项获奖研究的信息，包括他们是如何取得具体成果的，以及他们对该研究未来应用的设想。此外，随着SIGGRAPH 2023技术论文提交的倒计时开始，看看夏普和雅各布森对未来的贡献者有什么建议。

祝贺您获得SIGGRAPH 2022年最佳技术论文奖!分享一些关于“洞穴探索:通过范围分析对一般神经隐式曲面的保证查询”的背景知识。是什么激发了这项研究?

尼古拉斯·夏普(NS):神经隐式表示——通过空间中的神经网络来表示形状——在过去几年里已经成为计算机图形学的一场革命。它们非常令人兴奋，在解决3D重建等问题时效果非常好。但我们在对这些表示进行低级几何操作的能力上仍然存在一些基本的差距，比如测试两个形状是否重叠。我们想要填补一些空白。

告诉我们你是如何发展这项工作的。它解决了什么问题?

NS:这个项目源于想要更多的技术来处理神经隐式形状表示。如果它们停留在计算机图形中，我们需要建立我们的工具箱来处理它们，就像我们处理三角形网格一样。这项研究为科学家、工程师和艺术家提供了更多的工具，他们希望使用神经隐式表示构建更高层次的应用程序，如模拟或动画角色。

你们在开发过程中遇到了什么挑战?在这个过程中，你最惊讶的是什么?

NS:我们在这个项目中使用的主要技术是一种叫做“极差分析”的计算方法。一旦我们想到使用极差分析，我们就认为问题已经解决了!但后来我们发现，在许多我们想要解决的任务中，基本的距离分析实际上并不能很好地发挥作用——我们不得不对距离分析的一种特殊变体“仿射算术”进行更深的挖掘，才能真正使其发挥作用。

亚历克·雅各布森(AJ):Nick是一个异常顽强的研究员。我们在这个项目中经历了一些起起伏伏。我们最初使用标准区间算法的尝试在某些任务上成功了，但在另一些任务上却失败了。Nick并没有放弃或重新定义我们的问题以避免困难的情况，而是深入挖掘范围分析文献，发现我们的问题与其他不同领域的人遇到的问题相呼应。我们论文的贡献直接来自Nick对这些文献的剖析，并将其提炼为对我们社区中人们所关心的任务非常有效的技术。

SIGGRAPH:有了“洞穴探索之深”，查询结果保证了准确性，即使是在随机初始化的网络上。你是如何达到这个结果的?

NS:这个属性真的很重要——许多基于神经网络的技术只有在神经网络能够很好地适应数据的情况下才“大部分”工作，但是我们在这项工作中开发的查询总是给出正确的答案，在一些预定义的容忍范围内，无论你的数据或神经网络有多疯狂。这个性质来自于极差分析——我们的算法不断地改进解决方案，直到他们能够确定答案是正确的。

你认为这项研究在未来会如何应用?

NS:我们希望这些技术将成为操作3D神经隐式形状的通用工具。如果将它们集成到代码库和引擎中，它们可以让图形社区在新的应用程序中无缝地利用最新的基于人工智能的形状表示。

SIGGRAPH: SIGGRAPH 2022很高兴引入技术论文圆桌会议。告诉我们你的SIGGRAPH 2022经历。与SIGGRAPH参与者的任何关键时刻或互动都很突出吗?

NS:我真的很喜欢SIGGRAPH 2022。会议最好的部分是与我们领域的杰出人士一对一交流，圆桌会议提供了更多这样的机会。

AJ:哇。回到SIGGRAPH现场真是让人松了一口气!虽然我对我们在大流行早期举行的虚拟会议的某些方面表示赞赏，但与其他研究人员面对面并最终与新一批学生研究人员见面是非常宝贵的。

对于那些想要提交未来SIGGRAPH会议的技术论文的人，您有什么建议?

NS:好的可视化和图表是解释你的工作的关键!人们有时会误以为它们只是花瓶，但实际上一张好的图片比一列又一列的文字更能解释你的论文。值得投入大量的精力去创造能够讲述你的研究故事的视觉效果。

AJ:我最强烈的建议是寻找那些你个人喜欢合作的合作者。如果你积极地期待每一次与同事一起工作的机会，研究挑战就会更容易忍受。