Resumen Técnico: Esculpido de SDF Neuronal Basado en Trazos Interactivo

Planteamiento del Problema

Las Representaciones Implícitas Neurales (INRs), particularmente las Funciones de Distancia con Signo (SDF) Neurales, han surgido como herramientas poderosas para modelar la geometría 3D debido a su capacidad para representar superficies continuas a una resolución arbitraria. Sin embargo, un cuello de botella significativo sigue siendo su capacidad de edición. A diferencia de las representaciones tradicionales basadas en mallas donde los vértices pueden manipularse directamente, los parámetros de las SDF neurales están embebidos globalmente dentro de los pesos de la red. Esta dependencia global hace que las modificaciones locales sean un desafío.

Los enfoques existentes para editar SDFs neurales suelen depender de la modificación de códigos de forma o espacios latentes, lo cual frecuentemente carece de un control fino y de retroalimentación inmediata. Si bien existen métodos de edición basados en puntos (por ejemplo, 3DNS), estos están limitados a ediciones de puntos localizadas. Intentar simular el esculpido basado en trazos aplicando secuencialmente ediciones de puntos resulta computacionalmente costoso, lo que genera una latencia significativa, evaluaciones redundantes y densidades de muestreo desiguales. En consecuencia, ha faltado un kit de herramientas de alto rendimiento e interactivo para el esculpido basado en trazos sobre SDFs neurales, lo que dificulta la adopción de estas representaciones en flujos de trabajo artísticos y de diseño que requieren manipulación intuitiva y en tiempo real.

Metodología

Los autores proponen un marco interactivo que permite el esculpido basado en trazos directamente sobre SDFs neurales preentrenadas. El sistema opera mediante el muestreo de puntos a lo largo de un trazo definido por el usuario dentro de un vecindad tubular y el ajuste fino de la red neuronal para alinear su nivel de isosuperficie cero con la deformación deseada.

1. Sistema de Coordenadas y Definición del Pincel

Para facilitar un control intuitivo, el método establece un marco de coordenadas u-v-n local a lo largo de la trayectoria del trazo:

• u (Dirección del Trazo): La tangente de la curva del trazo.
• v (Dirección del Perfil del Pincel): Perpendicular al trazo y tangencial a la superficie.
• n (Dirección Normal): Ortogonal a ambos, apuntando hacia afuera de la superficie.

El pincel se define como una función $C^1$, $b_P(v)$, que opera a lo largo de la dirección $v$. Los usuarios pueden definir perfiles personalizados utilizando puntos de control interpolados mediante splines de Catmull-Rom o seleccionar funciones analíticas (lineal, cúbica, quíntica). La intensidad y el radio del pincel se parametrizan de forma independiente, permitiendo tanto el tallado (desplazamiento negativo) como la extrusión (desplazamiento positivo).

2. Modulación y Representación del Trazo

Un trazo se representa como una curva continua $\gamma(u)$ parametrizada por $u \in [0,1]$. La intensidad de la deformación puede variar dinámicamente a lo largo del trazo mediante una función de modulación $m(u)$. Esto permite efectos como la caída lineal, picos centrales o patrones sinusoidales (por ejemplo, escamas) sin costo computacional adicional, ya que la modulación se aplica directamente a la parametrización del trazo.

3. Estrategia de Muestreo Tubular

Una contribución técnica central es la estrategia de muestreo tubular. En lugar de muestrear toda la superficie o depender de proyecciones de puntos discretos, el sistema genera muestras dentro de una región tubular que rodea el trazo:

• Los puntos se muestrean uniformemente a lo largo de la trayectoria del trazo (dirección $u$).
• Para cada punto, se aplican desplazos en la dirección $v$ dentro de un radio $r$.
• Estos puntos de desplazamiento se proyectan sobre la superficie para capturar la vecindad tubular.

Este enfoque garantiza efectos de pincel consistentes en toda la región de interacción. Los autores señalan que esta estrategia requiere significativamente menos muestras (por ejemplo, ~10,000 en total para la estabilización) comparado con los métodos basados en puntos como 3DNS, que pueden requerir más de 100,000 muestras para lograr una cobertura similar, reduciendo drásticamente los tamaños de lote de optimización.

4. Optimización y Función de Pérdida

El proceso de edición implica el ajuste fino de los pesos de la SDF neural ($\theta$) para minimizar una pérdida de deformación. Las posiciones objetivo $p'$ se calculan desplazando los puntos de la superficie $p$ a lo largo de la dirección normal $n$ basándose en el perfil del pincel y la modulación:
$$p' = p + s \cdot b_P(v(p)) \cdot m(u) \cdot n(u(p))$$

La red se optimiza para asegurar que la nueva isosuperficie cero pase a través de estos puntos desplazados. La función de pérdida total combina varios términos adoptados del marco 3DNS:

• Pérdida de Regresión ($L_{regression}$): Minimiza el valor de la SDF en los puntos desplazados.
• Pérdida Eikonal ($L_{eikonal}$): Fuerza la norma del gradiente a ser 1, asegurando que se mantenga la propiedad de la SDF.
• Pérdida de Normal ($L_{normal}$): Alinea los gradientes predichos con las normales de la superficie.
• Regularización de Frontera ($L_{boundary}$): Evita artefactos cerca de los bordes de la caja delimitadora (bounding box).

Contribuciones Clave

1. Kit de Herramientas Interactivo Basado en Trazos: La introducción de un marco que permite realizar modificaciones basadas en trazos sobre SDFs neurales en tiempo real, yendo más allá de las limitaciones de la edición basada en puntos.
2. Pincel y Modulación Personalizables: Un sistema flexible que soporta perfiles de pincel definidos por el usuario (vía puntos de control) y funciones de modulación a lo largo del trazo, permitiendo efectos complejos como trazos cincelados, formas asimétricas y patrones rítmicos.
3. Muestreo Tubular Eficiente: Una estrategia de muestreo orientada al rendimiento que se enfoca en la región de interacción, logrando una aceleración de hasta 15× respecto a los métodos previos basados en puntos (3DNS) mientras mantiene la fidelidad de la edición.
4. Representación Unificada: La capacidad de representar y editar formas complejas dentro del mismo marco implícito neural, eliminando la necesidad de cambiar entre representaciones de malla y neurales.

Resultados Experimentales

El método fue evaluado en un conjunto de datos de seis formas 3D (incluyendo el Stanford Bunny, un busto y una calabaza) utilizando una GPU NVIDIA GeForce RTX 4070.

• Velocidad e Interactividad: El método propuesto logra tiempos de edición de menos de un segundo para diversas densidades de trazo. La Tabla 1 en el artículo demuestra una aceleración que oscila entre 1.18× y 15.01× en comparación con 3DNS a medida que aumenta el número de puntos del trazo. Esta eficiencia se atribuye a la reducción de muestras requeridas en la región de interacción.
• Precisión Geométrica: Utilizando la Distancia de Chamfer como métrica, el método supera tanto a las ediciones de puntos de 3DNS como a la edición directa en mallas gruesas. La distancia de Chamfer media para toda la superficie fue consistentemente menor para el método propuesto en todas las formas probadas (por ejemplo, 7.279 frente a 7.394 para la esfera).
• Calidad Visual: El sistema produce deformaciones suaves y continuas. Aunque los detalles de alta frecuencia dependen de la capacidad de la MLP subyacente (SIREN), el método maneja con éxito ediciones complejas como añadir rasgos robóticos a un conejo o tallar patrones intrincados en una calabaza, los cuales son difíciles o imposibles de lograr con ediciones de puntos superpuestos en 3DNS.

Significado y Reivindicaciones

El artículo posiciona este trabajo como un puente entre los flujos de trabajo de escultura 3D tradicionales y las modernas representaciones implícitas neurales. Los autores afirman que su marco aborda la falta crítica de editabilidad interactiva en las SDFs neurales. Al permitir la manipulación intuitiva basada en trazos sin comprometer la naturaleza suave de las representaciones implícitas ni el rendimiento interactivo, el método expande la aplicabilidad de las SDFs neurales en los dominios artístico y de diseño.

Los autores señalan modestamente ciertas limitaciones, particularmente respecto a la preservación de detalles de alta frecuencia con perfiles de pincel altamente oscilatorios (que pueden difuminarse dependiendo de la profundidad de la MLP) y la carga computacional de las implementaciones en Python de PyTorch. Sin embargo, sostienen que para los flujos de trabajo de escultura típicos que involucran ediciones de baja a media intensidad, el marco proporciona una herramienta versátil y receptiva para el modelado 3D.