💻 computer science

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

SharpNet 是一种改进的多层感知器（MLP）架构，它通过引入一个源自泊松方程的辅助特征函数来增强网络，从而实现对具有受控不可微性的函数的精确表示，进而允许对特征位置和网络参数进行联合优化，以准确恢复锐利的边缘和角点而不会产生模糊。

原作者： Hanting Niu, Junkai Deng, Fei Hou, Wencheng Wang, Ying He

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Hanting Niu, Junkai Deng, Fei Hou, Wencheng Wang, Ying He

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一台计算机绘制一个完美的 3D 物体，比如一个玩具机器人或一件家具。你希望计算机能学会机器人手臂的平滑曲线，但同时你也需要它学会手臂与身体连接处的锐利、清晰的边缘。

问题所在：“过于平滑”的艺术家
用于这项工作的标准 AI 工具（称为 MLP）就像是那些只懂得使用圆润软刷的艺术家。它们擅长绘制平滑、流动的风景，但如果你要求它们画出一个尖锐的角落，它们往往会“涂抹”掉它。它们试图让过渡变得非常平滑，以至于原本锐利的边缘变成了一个圆润的凸起。对于 CAD（计算机辅助设计）这类对锐利边缘有着严格要求的领域来说，这是一个严重的问题。

其他方法试图通过将物体切成微小的拼图块（补丁/patches）或使用像素网格来解决这个问题。但这就像是尝试用只有方形乐高积木来画出一个尖锐的角落：你要么得到锯齿状、像素化的边缘，要么因为拼图块无法完美契合而无法绘制开放式的边缘。

解决方案：SharpNet
作者开发了一个名为 SharpNet 的新工具。你可以把 SharpNet 想象成给了艺术家一个特殊的“模板”或“导轨”，告诉他们准确的停止平滑并开始进行锐利切割的位置。

它是如何工作的，这里使用几个简单的类比：

“隐形围栏”（特征函数）：
想象一下你想在纸上画一条直线。与其只是猜测线条的位置，不如先铺设一道细长的、隐形的围栏。

在围栏的一侧，油漆流动得非常平滑。
在围栏的另一侧，油漆同样流动得非常平滑。
但就在围栏处，油漆突然改变了方向。

SharpNet 通过数学方式创建了这个“围栏”。它使用一种特殊的公式（基于被称为泊松方程/Poisson's equation 的内容）来创建一个场，这个场在任何地方都保持完美平滑，唯独在你想要锐利边缘的地方发生变化。这确保了 AI 准确知道在哪里进行“切割”。

“智能画笔”（网络）：
AI（即 MLP）会观察这道隐形围栏。它学会了这样表达：“好的，我会在这里保持平滑，但在到达这道围栏时，我会立即改变我的行为。”由于围栏背后的数学逻辑非常精确，AI 不会在错误的地方产生尖锐的伪影（这是其他方法中常见的锯齿状伪影）。
“学习围栏”（魔术技巧）：
通常情况下，你必须明确告诉计算机锐利边缘在哪里。但 SharpNet 非常聪明。如果你不知道边缘在哪里，AI 实际上可以学会移动围栏本身。它在学习形状的同时，也会调整“隐形围栏”的位置，从而找到制造锐利边缘的最佳位置。这就像一位雕塑家，他不仅在雕刻石头，还在摸索凿子应该在哪里落下，才能获得最锋利的棱角。

为什么它更好？

不涂抹： 与标准 AI 不同，SharpNet 能保持锐利边缘的锐利，同时保持平滑部分的平滑。
无需拼图： 它不需要将物体切成微小的补丁。它可以处理复杂的形状、开放式边缘以及奇特的曲线，而不会感到困惑。
灵活性高： 无论你是给它一个完美的 3D 模型进行复制，还是只给它一团杂乱的点云（如激光扫描结果）并让它推断出形状，它都能胜任。

现实世界测试
作者在以下场景测试了 SharpNet：

2D 图形： 绘制线条和曲线，其中“锐利度”发生在特定点。SharpNet 做到了，而其他方法要么让其变得模糊，要么变得锯齿化。
3D CAD 模型： 重建复杂的机器和玩具。SharpNet 成功地还原了其他方法要么会使其圆润化、要么会使其破碎的锐利棱角和边缘。

总结
SharpNet 是一种新的绘制 3D 形状的方法。它通过添加一个数学引导，解决了 AI “过于平滑”的问题，该引导能准确告诉 AI 何时创造锐利、清晰的边缘，同时保持物体的其余部分完美平滑。这就像是给了计算机一把尺子和一把利刀，让它既能画出曲线，也能精准地刻画出棱角。

技术摘要：SharpNet

问题陈述
多层感知器（MLP）是函数逼近和几何表示（例如 NeRF 和 SDF 中的神经有符号距离函数）的标准工具。然而，使用平滑激活函数的标准 MLP 会产生全局平滑（ $C^\infty$ ）的输出，而基于 ReLU 的 MLP 虽然是分段线性的（ $C^0$ ），但缺乏对非微分性位置的精确控制。这种局限性使得现有方法难以表示那些在特定、用户定义或可学习的位置具有有意梯度不连续性（如锐利边缘、角点或中轴）的函数。现有的方法，如基于网格的方法（InstantNGP）或补丁细分方法（NH-Rep），往往会引入伪影、网格对齐伪影，或者无法处理开放（非封闭）的锐利特征及复杂的拓扑结构。

方法论
作者提出了 SharpNet，一种旨在表示几乎处处平滑但在预设位置表现出受控非微分性（ $C^0$ 连续性伴随梯度跳跃）的 MLP 架构。

通过泊松方程构建特征函数：
SharpNet 通过一个辅助特征函数 $f: \Omega \to \mathbb{R}$ 来增强标准 MLP 的输入。该函数被定义为在特征集 $M$ （2D 中的曲线或 3D 中的曲面）上具有跳跃 Neumann 边界条件的泊松方程的解：
- 对于 $x \in \Omega \setminus M$ ， $\nabla^2 f(x) = h(x)$ 。
- 连续性条件： $f$ 在 $M$ 上是连续的。
- 跳跃条件： $f$ 的法向导数在 $M$ 上表现出跳跃不连续性。
利用格林第三恒等式，解可以表示为涉及拉普拉斯算子格林函数的边界积分。为了提高计算效率，作者通过设置 $h(x)=0$ 且跳跃幅度为 1 来简化此过程，从而将特征函数简化为格林函数在特征集 $M$ 上的积分。
局部化与加速：
为了避免高昂的全局积分成本，作者引入了一个软化器（mollifier，一种光滑且紧支撑的函数）。这使得全局积分可以分解为局部积分之和。特征函数被计算为局部贡献的加权和，确保函数在 $M$ 上保持 $C^0$ 连续，而在其他地方保持 $C^\infty$ 。该公式对于 $M$ 的几何形状是完全可微的，从而支持联合优化。
网络架构与组合：
最终的网络定义为 $\Phi_\theta(x, f(x))$ ，其中 $x$ 是空间坐标， $f(x)$ 是辅助特征。理论分析（定理 3.1）证实，如果网络对特征通道具有局部敏感性（即 $\partial \Phi / \partial f \neq 0$ ），则 $f$ 的非微分性会传递到输出。

为了处理由于梯度跳跃幅度剧烈变化（例如在锐利边缘的交汇处）而导致的复杂几何结构，特征集 $M$ 被划分为不相交的子集 $\{M^{(i)}\}$ 。每个子集都关联一个不同的特征函数 $f^{(i)}$ 。网络输入连接这些多个特征函数，使得模型能够表示分段变化的定向导数跳跃。
优化：
该框架支持两种模式：
- 固定特征： 当特征几何 $M$ 已知时（例如来自网格）， $f$ 被视为固定的先验。
- 可学习特征： 当 $M$ 未知时，定义 $M$ 几何的参数与 MLP 权重 $\theta$ 进行联合优化。特征函数对 $M$ 的可微性使得能够从数据（例如点云）中端到端地学习锐利特征的位置。

核心贡献

受控的非微分性： SharpNet 提供了一种原则性的方法，可以在特定的、用户指定的或可学习的位置强制执行 $C^0$ 连续性并产生梯度不连续性，克服了标准 MLP 的全局平滑限制。
无网格化表述： 与基于补丁或基于网格的方法不同，SharpNet 不需要进行领域细分或网格划分。它可以表示开放（非封闭）的锐利边缘和复杂的拓扑结构，而不会受到 CSG 树或补丁交集的拓扑约束。
可学习的特征几何： 该方法引入了一种基于泊松方程的可微特征函数，允许从数据（例如点云）中学习锐利特征的位置，而无需预先进行分割。
高效评估： 使用软化器以及在线段/三角形上的闭合形式格林函数积分，实现了高效的局部评估，使该方法能够扩展到 3D 重建。

结果
作者在 2D 距离场拟合和 3D CAD 重建任务上验证了 SharpNet：

2D 实验： 在测地距离拟合和中轴学习中，SharpNet（使用 Softplus 激活函数）能够准确恢复锐利过渡和中轴。它优于标准 MLP（过度平滑）、基于 ReLU 的 MLP（引入伪造褶皱）以及 InstantNGP（产生网格对齐伪影）。
3D CAD 重建：
- 从网格重建： SharpNet 比 NH-Rep 更准确地重建具有锐利边缘的模型，特别是对于 NH-Rep 因补丁细分限制而失效的开放锐利曲线和高亏格形状。
- 从定向点云重建： SharpNet 在 Chamfer Distance (CD)、Hausdorff Distance (HD) 和 Normal Error (NE) 方面超越了 InstantNGP 和 SIREN，有效地恢复了锐利边缘而没有网格伪影。
- 从原始点云重建： 在缺乏法向监督的情况下，SharpNet 优于 NeurCADRecon 和 SIREN，展示了从无定向点云中学习几何形状和锐利特征的鲁棒性。
定量指标： 在所有数据集（100 个 CAD 模型）中，SharpNet 与最先进的基准方法相比，始终实现了更低的 CD、HD 和 NE，以及更高的 F-1 分数。

意义与主张
本文声称 SharpNet 为具有锐利特征的几何体提供了一种灵活且精确的现有神经场表示替代方案。通过利用经典的 PDE 理论（具有跳跃 Neumann 条件的泊松方程）和格林函数，它弥合了平滑神经近似与对锐利几何保真度需求之间的鸿沟。作者强调，其方法避免了“锐利性”泄露到非预期区域的问题（这是网格或基于网格插值的常见问题），并支持特征几何的联合学习，使其适用于锐利特征并非预先已知的场景。这项工作将 SharpNet 定位为一种卓越的隐式 CAD 重建骨干网络，能够处理挑战当前基于补丁或基于网格方法的复杂、开放及高亏格结构。

技术摘要：SharpNet

类似论文