核心发现
方法论
DualPrim采用正负超二次体组合，通过可微分的布尔差分操作实现3D形状的加减建模。正超二次体构建基础形状，负超二次体雕刻局部体积，增强了拓扑表达能力。该方法嵌入体积可微渲染器，支持从多视图图像的端到端学习。
关键结果
- 在ShapeNet数据集上，DualPrim的Chamfer Distance为7.94，优于现有方法。
- DualPrim生成的网格结构紧凑且可解释，编辑性评分为8.29，显著高于其他方法。
- 消融实验表明，正负超二次体的组合显著提高了拓扑表达能力。
研究意义
DualPrim在学术界和工业界具有重要意义。它解决了现有神经重建方法中结构不规则、难以编辑的问题，提供了一种紧凑且结构化的3D重建解决方案。这一方法的提出为3D建模、动画制作和资产重用提供了新的可能性。
技术贡献
DualPrim的技术贡献在于其独特的加减组合建模机制，与现有的仅加法组合方法相比，显著提高了表达能力。此外，它在保持紧凑性和可微分性的同时，支持从多视图图像的端到端学习，提供了新的工程实现可能。
新颖性
DualPrim首次将正负超二次体结合用于3D重建，实现了拓扑感知的建模。这一创新突破了传统方法的限制，能够表达复杂的内部空腔和开放结构。
局限性
- 在处理极其复杂的几何形状时，DualPrim可能会遇到计算效率问题。
- 该方法对初始超二次体的参数设置较为敏感。
未来方向
未来工作可以探索DualPrim在更复杂场景中的应用，以及如何进一步优化其计算效率。此外，结合其他几何建模技术可能会带来更多的创新和突破。
AI 总览摘要
在3D重建领域，现有的神经重建方法往往在结构和保真度之间做出妥协，导致生成的网格结构不规则、难以编辑。DualPrim提出了一种新的3D重建框架，通过正负超二次体的组合实现紧凑且结构化的重建。正超二次体用于构建基础形状，而负超二次体则通过可微分操作雕刻局部体积，从而增强了拓扑表达能力。
DualPrim嵌入体积可微渲染器，支持从多视图图像的端到端学习，并通过封闭形式的布尔差分实现无缝网格导出。实验结果表明，DualPrim在ShapeNet数据集上的重建精度优于现有方法，生成的网格结构紧凑且可解释，满足下游应用的需求。
尽管DualPrim在表达能力和结构化重建方面取得了显著进展，但在处理极其复杂的几何形状时可能会遇到计算效率问题。未来的研究可以探索其在更复杂场景中的应用，以及如何进一步优化其计算效率。
深度分析
研究背景
近年来，神经重建技术取得了显著进展，尤其是在从多视图图像中高保真建模方面。然而，这些方法通常生成密集且无结构的网格，难以编辑和动画化。传统的基于原语的重建方法通过组合解析原语来表示形状，但大多仅依赖于加法组合，难以表达复杂的拓扑结构。
核心问题
现有的神经重建方法在结构和保真度之间存在矛盾，生成的网格结构不规则且缺乏有意义的部分边界。这种不规则性限制了编辑和动画制作的可能性，阻碍了下游资产的重用。
核心创新
DualPrim通过正负超二次体的组合实现了拓扑感知的3D建模。正超二次体构建基础形状，而负超二次体通过可微分操作雕刻局部体积，增强了表达能力。这一创新突破了传统方法的限制，能够表达复杂的内部空腔和开放结构。
方法详解
- �� 正负超二次体组合：正超二次体用于构建基础形状，负超二次体雕刻局部体积。
- �� 嵌入体积可微渲染器：支持从多视图图像的端到端学习。
- �� 封闭形式的布尔差分：实现无缝网格导出。
实验设计
实验在ShapeNet数据集的12个类别上进行，评估了DualPrim在多视图重建任务中的表现。实验采用Chamfer Distance作为主要评估指标，并与现有的13种方法进行了对比。
结果分析
DualPrim在ShapeNet数据集上的Chamfer Distance为7.94，优于现有方法。生成的网格结构紧凑且可解释，编辑性评分为8.29，显著高于其他方法。
应用场景
DualPrim适用于3D建模、动画制作和资产重用等场景。其紧凑且结构化的重建结果为下游应用提供了更多的可能性。
局限与展望
尽管DualPrim在表达能力和结构化重建方面取得了显著进展，但在处理极其复杂的几何形状时可能会遇到计算效率问题。此外，该方法对初始超二次体的参数设置较为敏感。
通俗解读 非专业人士也能看懂
想象你在建造一个复杂的乐高模型。传统方法就像用大量小块拼凑出一个形状，虽然细节丰富，但结构混乱。DualPrim则像是用少量特殊形状的乐高块来搭建模型，这些块可以相互结合，形成复杂的结构。正块构建基础形状，负块则像橡皮擦，去除多余部分。这种方法不仅让模型更紧凑，还更容易修改和理解。
简单解释 像给14岁少年讲一样
嘿，想象一下你在用乐高积木搭建一个城堡。传统的方法就像用大量小块拼凑出一个复杂的城堡，虽然细节丰富，但很难修改。DualPrim的方法就像用一些特别的积木块，这些块可以互相结合，形成复杂的结构。正块搭建城堡的基础，而负块就像橡皮擦，去掉多余的部分。这样，你的城堡不仅更紧凑，还更容易修改和理解！
术语表
超二次体 (Superquadric)
超二次体是一种几何形状，具有可调节的曲率参数，用于表示复杂的三维形状。
在DualPrim中，超二次体用于构建和雕刻3D形状。
布尔差分 (Boolean Difference)
布尔差分是一种几何操作，用于从一个形状中减去另一个形状。
DualPrim使用布尔差分实现形状的加减建模。
可微渲染器 (Differentiable Renderer)
可微渲染器是一种支持梯度计算的渲染技术，用于优化几何参数。
DualPrim嵌入可微渲染器以实现端到端学习。
Chamfer Distance
Chamfer Distance是一种用于评估两组点集之间相似度的度量。
在实验中用于评估重建精度。
ShapeNet
ShapeNet是一个大型3D形状数据库，包含多种类别的3D模型。
实验在ShapeNet数据集上进行评估。
开放问题 这项研究留下的未解疑问
- 1 如何在处理极其复杂的几何形状时提高DualPrim的计算效率？
- 2 如何进一步优化DualPrim的初始参数设置以提高重建精度？
应用场景
近期应用
3D建模
DualPrim可用于创建紧凑且结构化的3D模型，适用于游戏和动画制作。
远期愿景
资产重用
通过生成可解释的3D模型，DualPrim有望在资产重用和设计自动化中发挥重要作用。
原文摘要
Neural reconstructions often trade structure for fidelity, yielding dense and unstructured meshes with irregular topology and weak part boundaries that hinder editing, animation, and downstream asset reuse. We present DualPrim, a compact and structured 3D reconstruction framework. Unlike additive-only implicit or primitive methods, DualPrim represents shapes with positive and negative superquadrics: the former builds the bases while the latter carves local volumes through a differentiable operator, enabling topology-aware modeling of holes and concavities. This additive-subtractive design increases the representational power without sacrificing compactness or differentiability. We embed DualPrim in a volumetric differentiable renderer, enabling end-to-end learning from multi-view images and seamless mesh export via closed-form boolean difference. Empirically, DualPrim delivers state-of-the-art accuracy and produces compact, structured, and interpretable outputs that better satisfy downstream needs than additive-only alternatives.