💻 computer science

SharpNet: Enhancing MLPs to Represent Functions with Controlled Non-differentiability

SharpNet est une architecture MLP modifiée qui permet une représentation précise des fonctions avec une non-différentiabilité contrôlée en augmentant le réseau d'une fonction de caractéristique auxiliaire dérivée de l'équation de Poisson, permettant ainsi l'optimisation conjointe des emplacements des caractéristiques et des paramètres du réseau pour récupérer avec précision les bords nets et les coins sans flou.

Auteurs originaux : Hanting Niu, Junkai Deng, Fei Hou, Wencheng Wang, Ying He

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hanting Niu, Junkai Deng, Fei Hou, Wencheng Wang, Ying He

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'apprendre à un ordinateur à dessiner un objet 3D parfait, comme un robot jouet ou un meuble. Vous voulez que l'ordinateur apprenne les courbes fluides du bras du robot, mais vous avez aussi besoin qu'il apprenne les arêtes vives et nettes là où le bras rejoint le corps.

Le Problème : L'Artiste « Trop Lisse »
Les outils d'IA standards utilisés pour ce travail (appelés MLP) sont comme des artistes qui ne connaissent que l'usage d'un pinceau rond et doux. Ils sont incroyables pour peindre des paysages fluides et sinueux. Mais si vous leur demandez de dessiner un angle vif, ils ont tendance à « estomper » l'angle. Ils essaient de rendre la transition si fluide que l'arête vive se transforme en une bosse arrondie. C'est un problème pour des domaines comme la CAO (conception assistée par ordinateur) où les arêtes vives sont essentielles.

D'autres méthodes tentent de corriger cela en découpant l'objet en de minuscules pièces de puzzle (patches) ou en utilisant une grille de pixels. Mais c'est comme essayer de dessiner un angle vif en utilisant uniquement des briques Lego carrées ; soit vous obtenez un bord dentelé et pixélisé, soit vous ne pouvez pas dessiner un bord ouvert car les pièces du puzzle ne s'emboîtent pas correctement.

La Solution : SharpNet
Les auteurs ont créé un nouvel outil appelé SharpNet. Considérez SharpNet comme si l'on donnait à l'artiste un « pochoir » spécial ou un « rail de guidage » qui lui indique exactement où arrêter de lisser et commencer à faire une coupe nette.

Voici comment cela fonctionne, en utilisant quelques analogies simples :

La « Clôture Invisible » (La fonction de caractéristique) :
Imaginez que vous vouliez dessiner une ligne nette sur une feuille de papier. Au lieu de deviner simplement où se trouve la ligne, vous posez une fine clôture invisible.
- D'un côté de la clôture, la peinture coule de manière fluide.
- De l'autre côté de la clôture, la peinture coule de manière fluide aussi.
- Mais juste au niveau de la clôture, la peinture change soudainement de direction.
SharpNet crée cette « clôture » mathématiquement. Il utilise une formule spéciale (basée sur ce qu'on appelle l'équation de Poisson) pour créer un champ qui est parfaitement lisse partout sauf exactement là où l'utilisateur veut l'arête vive. Cela garantit que l'IA sait exactement où effectuer la « coupe ».
Le « Pinceau Intelligent » (Le Réseau) :
L'IA (le MLP) observe cette clôture invisible. Elle apprend à dire : « D'accord, je serai fluide ici, mais juste à cette clôture, je changerai de comportement instantanément. » Parce que la mathématique derrière la clôture est très précise, l'IA ne crée pas accidentellement des artefacts tranchants aux mauvais endroits (comme les défauts dentelés vus dans d'autres méthodes).
Apprendre la Clôture (Le Tour de Magie) :
Habituellement, vous devez dire à l'ordinateur exactement où se trouvent les arêtes vives. Mais SharpNet est astucieux. Si vous ne savez pas où se trouvent les bords, l'IA peut en fait apprendre à déplacer la clôture elle-même. Elle ajuste la position de la « clôture invisible » tout en apprenant la forme, trouvant l'endroit parfait pour créer l'arête vive. C'est comme un sculpteur qui non seulement taille la pierre, mais qui détermine aussi exactement où le ciseau doit frapper pour obtenir l'angle le plus vif.

Pourquoi est-ce meilleur ?

Pas d'Estompage : Contrairement à l'IA standard, SharpNet garde les arêtes vives vives et les parties lisses lisses.
Pas de Pièces de Puzzle : Il n'a pas besoin de découper l'objet en de petits patchs. Il peut gérer des formes complexes, des bords ouverts et des courbes étranges sans être perturbé.
Flexible : Il fonctionne que vous lui donniez un modèle 3D parfait à copier, ou juste un nuage de points désordonné (comme un scan laser) et que vous lui demandiez de trouver la forme.

Tests en Monde Réel
Les auteurs ont testé SharpNet sur :

Formes 2D : Dessiner des lignes et des courbes où la « netteté » se produit à des points spécifiques. SharpNet a réussi ; les autres rendaient les formes floues ou dentelées.
Modèles CAO 3D : Reconstruire des machines complexes et des jouets. SharpNet a réussi à recréer des coins et des arêtes vives que d'autres méthodes auraient soit arrondis, soit brisés.

En Résumé
SharpNet est une nouvelle façon pour les ordinateurs de dessiner des formes 3D. Il résout le problème de l'IA « trop lisse » en ajoutant un guide mathématique qui indique à l'IA exactement où créer des arêtes vives et nettes, tout en gardant le reste de l'objet parfaitement lisse. C'est comme donner à l'ordinateur une règle et un couteau tranchant, afin qu'il puisse dessiner à la fois des courbes et des angles avec une précision parfaite.

Résumé Technique : SharpNet

Énoncé du Problème
Les perceptrons multicouches (MLP) sont des outils standards pour l'approximation de fonctions et la représentation de la géométrie (par exemple, les fonctions de distance signées neurales dans les NeRF et les SDF). Cependant, les MLP standards avec des fonctions d'activation lisses produisent des sorties globalement lisses ( $C^\infty$ ), tandis que les MLP basés sur ReLU ne sont que localement linéaires ( $C^0$ ) mais manquent de contrôle précis sur l'emplacement de la non-différentiabilité. Cette limitation rend difficile l'utilisation des méthodes existantes pour représenter des fonctions qui sont continues mais possèdent des discontinuités de gradient intentionnelles (arêtes vives, coins ou axes médians) à des emplacements spécifiques, définis par l'utilisateur ou apprenables. Les approches existantes, telles que les méthodes basées sur des grilles (InstantNGP) ou les méthodes de subdivision de patchs (NH-Rep), introduisent souvent des artefacts, des artefacts alignés sur la grille, ou échouent à gérer les caractéristiques vives ouvertes (non fermées) et les topologies complexes.

Méthodologie
Les auteurs proposent SharpNet, une architecture MLP conçue pour représenter des fonctions qui sont lisses presque partout mais qui présentent une non-différentiabilité contrôlée ( $C^0$ continuité avec sauts de gradient) à des emplacements prescrits.

Fonction de Caractéristique via l'Équation de Poisson :
SharpNet augmente l'entrée standard du MLP avec une fonction de caractéristique auxiliaire, $f: \Omega \to \mathbb{R}$ . Cette fonction est définie comme la solution de l'équation de Poisson avec des conditions de Neumann à saut sur un ensemble de caractéristiques $M$ (une courbe en 2D ou une surface en 3D) :
- $\nabla^2 f(x) = h(x)$ pour $x \in \Omega \setminus M$ .
- Condition de continuité : $f$ est continue à travers $M$ .
- Condition de saut : la dérivée normale de $f$ présente une discontinuité de saut à travers $M$ .
En utilisant l'identité de Green, la solution est exprimée sous la forme d'une intégrale de bord impliquant la fonction de Green du Laplacien. Pour l'efficacité de calcul, les auteurs simplifient cela en fixant $h(x)=0$ et l'amplitude du saut à 1, réduisant la fonction de caractéristique à une intégrale de la fonction de Green sur l'ensemble de caractéristiques $M$ .
Localisation et Accélération :
Pour éviter le coût élevé d'une intégration globale, les auteurs introduisent un mollificateur (une fonction lisse à support compact). Cela permet de décomposer l'intégrale globale en une somme d'intégrales locales. La fonction de caractéristique est calculée comme une somme pondérée de contributions locales, garantissant que la fonction reste $C^0$ sur $M$ et $C^\infty$ ailleurs. Cette formulation est entièrement dérivable par rapport à la géométrie de $M$ , permettant une optimisation conjointe.
Architecture et Composition du Réseau :
Le réseau final est défini par $\Phi_\theta(x, f(x))$ , où $x$ sont les coordonnées spatiales et $f(x)$ est la caractéristique auxiliaire. L'analyse théorique (Théorème 3.1) confirme que si le réseau est localement sensible au canal de caractéristique (c'est-à-dire $\partial \Phi / \partial f \neq 0$ ), la non-différentiabilité de $f$ est transférée à la sortie.

Pour gérer les géométries complexes où l'amplitude du saut de gradient change brusquement (par exemple, aux jonctions d'arêtes vives), l'ensemble de caractéristiques $M$ est partitionné en sous-ensembles disjoints $\{M^{(i)}\}$ . Chaque sous-ensemble est associé à une fonction de caractéristique distincte $f^{(i)}$ . L'entrée du réseau concatène ces multiples fonctions de caractéristique, permettant au modèle de représenter des sauts de dérivée directionnelle variant par morceaux.
Optimisation :
Le cadre prend en charge deux modes :
- Caractéristiques Fixes : Lorsque la géométrie de la caractéristique $M$ est connue (par exemple, à partir d'un maillage), $f$ est traitée comme un a priori fixe.
- Caractéristiques Apprenables : Lorsque $M$ est inconnue, les paramètres définissant la géométrie de $M$ sont optimisés conjointement avec les poids du MLP $\theta$ . La dérivabilité de la fonction de caractéristique par rapport à $M$ permet l'apprentissage de bout en bout des emplacements des caractéristiques vives.

Contributions Clés

Non-différentiabilité Contrôlée : SharpNet fournit un moyen rigoureux d'imposer une continuité $C^0$ avec des discontinuités de gradient à des emplacements spécifiques, définis par l'utilisateur ou apprenables, surmontant la limitation de lissage global des MLP standards.
Formulation Sans Maillage (Meshless) : Contrairement aux méthodes basées sur des patchs ou des grilles, SharpNet ne nécessite pas de subdivision de domaine ou de partitionnement de maillage. Il peut représenter des arêtes vives ouvertes (non fermées) et des topologies complexes sans les contraintes topologiques des arbres CSG ou des intersections de patchs.
Géométrie de Caractéristique Apprenable : La méthode introduit une fonction de caractéristique dérivable basée sur l'équation de Poisson, permettant de apprendre les emplacements des caractéristiques vives à partir de données (par exemple, des nuages de points) sans nécessiter de segmentation préalable.
Évaluation Efficace : L'utilisation de mollificateurs et d'intégrales de la fonction de Green à forme fermée sur des segments de ligne/triangles permet une évaluation locale efficace, rendant l'approche scalable pour la reconstruction 3D.

Résultats
Les auteurs valident SharpNet sur des tâches d'ajustement de champs de distance 2D et de reconstruction CAO 3D :

Expériences 2D : Dans l'ajustement de distance géodésique et l'apprentissage d'axes médians, SharpNet (utilisant l'activation Softplus) récupère avec précision les transitions vives et les axes médians. Il surpasse les MLP standards (qui sur-lissent), les MLP basés sur ReLU (qui introduisent des plis parasites) et InstantNGP (qui produit des artefacts alignés sur la grille).
Reconstruction CAO 3D :
- À partir de Maillages : SharpNet reconstruit les modèles avec des arêtes vives plus précisément que NH-Rep, particulièrement pour les courbes vives ouvertes et les formes à genre élevé où NH-Rep échoue en raison des limitations de subdivision de patchs.
- À partir de Points Orientés : SharpNet surpasse InstantNGP et SIREN en distance de Chamfer (CD), distance de Hausdorff (HD) et erreur de normale (NE), récupérant efficacement les arêtes vives sans artefacts de grille.
- À partir de Points Bruts : En l'absence de supervision de normales, SharpNet surpasse NeurCADRecon et SIREN, démontrant sa robustesse pour apprendre à la fois la géométrie et les caractéristiques vives à partir de nuages de points non orientés.
Métriques Quantitatives : Sur l'ensemble des jeux de données (100 modèles CAO), SharpNet obtient systématiquement des valeurs plus faibles de CD, HD et NE, et des scores F-1 plus élevés par rapport aux bases de référence de l'état de l'art.

Signification et Revendications
L'article affirme que SharpNet offre une alternative flexible et précise aux représentations de champs neuronaux existantes pour la géométrie dotée de caractéristiques vives. En exploitant la théorie classique des EDP (équation de Poisson avec conditions de Neumann à saut) et les fonctions de Green, il comble le fossé entre les approximations neuronales lisses et le besoin de fidélité géométrique nette. Les auteurs soulignent que leur méthode évite la "fuite" de la netteté vers des régions non voulues (un problème des interpolations basées sur des maillages ou des grilles) et supporte l'apprentissage conjoint de la géométrie des caractéristiques, ce qui la rend applicable à des scénarios où les caractéristiques vives ne sont pas connues a priori. Ce travail positionne SharpNet comme un excellent support pour la reconstruction CAO implicite, capable de gérer des structures complexes, ouvertes et à genre élevé qui défient les approches actuelles basées sur des patchs ou des grilles.

Résumé Technique : SharpNet

Articles similaires