Título: Estrategias de Muestreo para Representaciones Implícitas de Modelos 3D con Redes Neuronales
Director: Emmanuel Iarussi
Jurados: Vanina Martinez y Daniel Acevedo

Resumen:
Recientemente, algunos desarrollos en el área de Machine Learning han demostrado el gran potencial que poseen las redes neuronales para realizar tareas sobre superficies y sólidos 3D. En particular, esta tesis de Licenciatura en Ciencias de la Computación se enmarca en el contexto de trabajos que proponen la utilización de redes neuronales para la representación de formas tridimensionales, sustentadas en una formulación implícita de geometrías denominada Función de Distancia con Signo (SDF). Comparadas con otros métodos tradicionales como las mallas de triángulos, estas representaciones permiten evaluar trivialmente la pertenencia de un punto a la superficie, a la vez que reducen significativamente el número de parámetros a almacenar. Sin embargo, las SDF neuronales son muy sensibles a la estrategia de muestreo utilizada durante el entrenamiento, y su performance empeora cuando se intentan aproximar formas intrincadas o topológicamente complicadas. Existe un fuerte compromiso entre la cantidad de parámetros de la red y la calidad de las reconstrucciones. Si bien aumentar el tamaño de la red neuronal permite capturar mejor los detalles, esto también incrementa su tamaño en memoria por lo que disminuye la tasa de compresión. La hipótesis de este trabajo se basa en que es posible escapar de esta dicotomía si se seleccionan adecuadamente las muestras durante el proceso de entrenamiento. En esta tesis se exploran y se evalúan diferentes algoritmos de muestreo para la obtención de rasgos representativos de mallas 3D, con el fin de mejorar la calidad de las reconstrucciones