面向形状表示的统计边缘检测与 UDF 学习

基于摘要分析。本文研究计算机视觉中的三维表面隐式表示，提出利用统计边缘检测引导无符号距离函数（UDF）学习的方法，将更多训练点分配到表面边缘附近，以提高 Neural UDF 对原始表面的表示保真度。 三维表面通常可用有符号距离函数（SDF）或 UDF 表示；由神经网络学习的距离函数及其权重，可作为表面的参数化隐式表示，用于表示学习、表面分类或表面重建。本文的核心思路不是单纯增加整体采样量，而是将学习资源集中到表面边缘：先通过在表面各点计算 p 值进行统计边缘检测，再增加边缘邻域的训练点采样。 作者报告，增加表面边缘附近的训练点能够改善 Neural UDF 的局部精度，并提升以 Hausdorff distance 衡量的整体表面表示能力；作者还报告，该统计方法的边缘检测准确性优于一种常用局部几何描述子。摘要未提供该描述子的具体名称、数据集、采样预算、网络结构、损失函数或数值结果，因此尚不能判断收益在不同形状与采样条件下的稳定性，实验协议、消融及统计信息尚未验证。 本文主要对象是三维几何表面，而非神经信号。摘要未给出其统计边缘检测机制与 EEG/BCI 任务的具体对应关系，不据此推断 BCI 有效性或提出迁移实验；已有 EEG 相关工作尚未检索确认。