Resumo Técnico: Escultura de SDF Neural Baseada em Traços Interativos

Declaração do Problema

As Representações Neurais Implícitas (INRs), particularmente as Funções de Distância com Sinal Neural (SDFs), emergiram como ferramentas poderosas para modelar geometria 3D devido à sua capacidade de representar superfícies contínuas em qualquer resolução. No entanto, um gargalo significativo permanece em sua editabilidade. Ao contrário das representações tradicionais baseadas em malhas (meshes), onde os vértices podem ser manipulados diretamente, os parâmetros de uma SDF neural estão incorporados globalmente nos pesos da rede. Essa dependência global torna as modificações locais desafiadoras.

Abordagens existentes para editar SDFs neurais frequentemente dependem da modificação de códigos de forma ou espaços latentes, que frequentemente carecem de controle refinado e feedback imediato. Embora existam métodos de edição baseados em pontos (ex: 3DNS), eles são limitados a edições pontuais localizadas. Tentar simular a escultura baseada em traços aplicando sequencialmente edições de pontos é computacionalmente caro, levando a latência significativa, avaliações redundantes e densidades de amostragem desiguais. Consequentemente, um kit de ferramentas de alto desempenho para escultura baseada em traços em SDFs neurais tem sido escasso, dificultando a adoção dessas representações em fluxos de trabalho artísticos e de design que exigem manipulação intuitiva e em tempo real.

Metodologia

Os autores propõem um framework interativo que permite a escultura baseada em traços diretamente em SDFs neurais pré-treinadas. O sistema opera amostrando pontos ao longo de um traço definido pelo usuário dentro de uma vizinhança tubular e ajustando finamente a rede neural para alinhar seu conjunto de nível zero com a deformação desejada.

1. Sistema de Coordenadas e Definição do Pincel

Para facilitar o controle intuitivo, o método estabelece um referencial de coordenadas u-v-n local ao longo do caminho do traço:

• u (Direção do Traço): A tangente da curva do traço.
• v (Direção do Perfil do Pincel): Perpendicular ao traço e tangencial à superfície.
• n (Direção Normal): Ortogonal a ambos, apontando para fora da superfície.

O pincel é definido como uma função $C^1$, $b_P(v)$, operando ao longo da direção $v$. Os usuários podem definir perfis personalizados usando pontos de controle interpolados via splines de Catmull-Rom ou selecionar funções analíticas (linear, cúbica, quíntica). A intensidade e o raio do pincel são parametrizados independentemente, permitindo tanto a escultura (deslocamento negativo) quanto a extrusão (deslocamento positivo).

2. Modulação e Representação do Traço

Um traço é representado como uma curva contínua $\gamma(u)$ parametrizada por $u \in [0,1]$. A intensidade da deformação pode variar dinamicamente ao longo do traço via uma função de modulação $m(u)$. Isso permite efeitos como queda linear (falloff), picos centrais ou padrões sinusoidais (ex: escamas) sem custo computacional adicional, pois a modulação é aplicada diretamente à parametrização do traço.

3. Estratégia de Amostragem Tubular

Uma contribuição técnica central é a estratégia de amostragem tubular. Em vez de amostrar toda a superfície ou depender de projeções de pontos discretos, o sistema gera amostras dentro de uma região tubular que circunda o traço:

• Pontos são amostrados uniformemente ao longo da trajetória do traço ($u$-direção).
• Para cada ponto, offsets são aplicados na direção $v$ dentro de um raio $r$.
• Esses pontos de offset são projetados na superfície para capturar a vizinhança tubular.

Esta abordagem garante efeitos de pincel consistentes em toda a região de interação. Os autores observam que esta estratégia requer significativamente menos amostras (ex: ~10.000 totais para estabilização) comparado a métodos baseados em pontos como o 3DNS, que podem exigir mais de 100.000 amostras para alcançar cobertura semelhante, reduzindo drasticamente os tamanhos de lote (batch sizes) de otimização.

4. Otimização e Função de Perda

O processo de edição envolve o ajuste fino dos pesos da SDF neural ($\theta$) para minimizar uma perda de deformação. As posições alvo $p'$ são computadas deslocando pontos da superfície $p$ ao longo da direção normal $n$ com base no perfil do pincel e na modulação:
$$p' = p + s \cdot b_P(v(p)) \cdot m(u) \cdot n(u(p))$$

A rede é otimizada para garantir que o novo conjunto de nível zero passe por esses pontos deslocados. A função de perda total combina vários termos adotados do framework 3DNS:

• Perda de Regressão ($L_{regression}$): Minimiza o valor da SDF nos pontos deslocados.
• Perda Eikonal ($L_{eikonal}$): Impõe que a norma do gradiente seja 1, garantindo que a propriedade da SDF seja mantida.
• Perda de Normal ($L_{normal}$): Alinha os gradientes previstos com as normais da superfície.
• Regularização de Fronteira ($L_{boundary}$): Previne artefatos próximos às bordas da caixa delimitadora (bounding box).

Principais Contribuições

1. Kit de Ferramentas Interativo Baseado em Traços: A introdução de um framework que permite aos usuários realizar modificações baseadas em traços em SDFs neurais em tempo real, indo além das limitações da edição baseada em pontos.
2. Pincel e Modulação Customizáveis: Um sistema flexível que suporta perfis de pincel definidos pelo usuário (via pontos de controle) e funções de modulação ao longo do caminho do traço, permitas efeitos complexos como traços cincelados, formas assimétricas e padrões rítmicos.
3. Amostragem Tubular Eficiente: Uma estratégia de amostragem orientada ao desempenho que foca na região de interação, alcançando um aceleração de até 15× sobre métodos anteriores baseados em pontos (3DNS) enquanto mantém a fidelidade da edição.
4. Representação Unificada: A capacidade de representar e editar formas complexas dentro do mesmo framework implícito neural, eliminando a necessidade de alternar entre representações de malha e neurais.

Resultados Experimentais

O método foi avaliado em um conjunto de dados de seis formas 3D (incluindo o Stanford Bunny, um busto e uma abóbora) usando uma GPU NVIDIA GeForce RTX 4070.

• Velocidade e Interatividade: O método proposto alcança tempos de edição abaixo de um segundo para várias densidades de traço. A Tabela 1 do artigo demonstra uma aceleração variando de 1.18× a 15.01× em comparação ao 3DNS conforme o número de pontos do traço aumenta. Esta eficiência é atribuída ao número reduzido de amostras necessárias na região de interação.
• Precisão Geométrica: Usando a Distância de Chamfer como métrica, o método supera tanto as edições de pontos do 3DNS quanto a edição direta em malhas grosseiras. A distância de Chamfer média para toda a superfície foi consistentemente menor para o método proposto em todos os formatos testados (ex: 7.279 vs. 7.394 para a esfera).
• Qualidade Visual: O sistema produz deformações suaves e contínuas. Embora os detalhes de alta frequência dependam da capacidade da MLP subjacente (SIREN), o método lida com sucesso com edições complexas, como adicionar características robóticas a um coelho ou esculpir padrões intrincados em uma abóbora, que são difíceis ou impossíveis de alcançar com edições de pontos sobrepostas no 3DNS.

Significância e Alegações

O artigo posiciona este trabalho como uma ponte entre os fluxos de trabalho tradicionais de escultura 3D e as modernas representações implícitas neurais. Os autores afirmam que seu framework aborda a falta crítica de editabilidade interativa em SDFs neurais. Ao permitir a manipulação intuitiva baseada em traços sem comprometer a natureza suave das representações implícitas ou o desempenho interativo, o método expande a aplicabilidade das SDFs em domínios artísticos e de design.

Os autores notam modestamente as limitações, particularmente em relação à preservação de detalhes de alta frequência com perfis de pincel altamente oscilatórios (que podem sofrer desfoque dependendo da profundidade da MLP) e o overhead computacional das implementações em Python/PyTorch. No entanto, eles afirmam que, para fluxos de trabalho de escultura típicos envolvendo edições de baixa a média intensidade, o framework fornece uma ferramenta versátil e responsiva para modelagem 3D.