Registro:
| Documento: | Tesis de Grado |
| Título: | Campos diferenciables de distancias sin signo para representaciones implícitas neuronales |
| Autor: | Fainstein, Miguel |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Fecha de defensa: | 2024-10-29 |
| Fecha en portada: | 2024 |
| Grado Obtenido: | Grado |
| Título Obtenido: | Licenciado en Ciencias de la Computación |
| Departamento Docente: | Departamento de Computación |
| Director: | Iarussi, Emmanuel |
| Director Asistente: | Fernández Slezak, Diego |
| Idioma: | Español |
| Palabras clave: | REPRESENTACIONES NEURONALES IMPLICITAS; FUNCIONES DE DISTANCIA SIN SIGNO; SUPERFICIES ABIERTAS; REDES NEURONALES PROFUNDAS; PROBLEMA DE EIKONAL |
| Formato: | PDF |
| Handle: |
http://hdl.handle.net/20.500.12110/seminario_nCOM000865_Fainstein |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nCOM000865_Fainstein.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/seminario/document/seminario_nCOM000865_Fainstein |
| Ubicación: | Dep.COM 000865 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Fainstein, Miguel. (2024). Campos diferenciables de distancias sin signo para representaciones implícitas neuronales. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de http://hdl.handle.net/20.500.12110/seminario_nCOM000865_Fainstein |
Resumen:
En los últimos años, ha crecido el interés por el entrenamiento de redes neuronales para aproximar campos de distancia sin signo (UDF) con el fin de representar superficies abiertas en el contexto de la reconstrucción 3D. Sin embargo, los UDFs no son diferenciables en la isosuperficie de nivel cero, lo que conduce a errores significativos en distancias y gradientes, dando lugar a superficies fragmentadas y discontinuas. En este trabajo, proponemos aprender un escalado hiperbólico del campo de distancias sin signo, que define un nuevo problema de Eikonal con condiciones de frontera distintas. Esto permite que nuestra formulación se integre perfectamente con las redes neuronales diferenciables más avanzadas, ampliamente aplicadas en la literatura para representar campos de distancia con signo. Nuestro enfoque no solo aborda el reto de la representación de superficies abiertas, sino que también demuestra una mejora significativa en la calidad de la reconstrucción y la eficiencia del entrenamiento. Además, la diferenciabilidad del campo abierto permite el cálculo preciso de propiedades topológicas esenciales como las direcciones normales y las curvaturas, omnipresentes en tareas de post-procesamiento como el renderizado. Mediante experimentos exhaustivos, validamos nuestro método en varios conjuntos de datos y frente al estado del arte en el área. Los resultados demuestran una mayor precisión y un aumento de la velocidad de hasta un orden de magnitud en comparación con métodos anteriores
Citación:
---------- APA ----------
Fainstein, Miguel. (2024). Campos diferenciables de distancias sin signo para representaciones implícitas neuronales. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nCOM000865_Fainstein
---------- CHICAGO ----------
Fainstein, Miguel. "Campos diferenciables de distancias sin signo para representaciones implícitas neuronales". Tesis de Grado, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2024.https://hdl.handle.net/20.500.12110/seminario_nCOM000865_Fainstein
Estadísticas:
Descargas mensuales
Total de descargas desde :
https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nCOM000865_Fainstein.pdf
Distrubución geográfica
