AniSDF：基于各向异性编码的粗粒度融合神经曲面用于高保真 3D 重建
计算机视觉与模式识别
2025-02-10 v2
摘要
神经辐射场最近彻底革新了新视角合成，实现了高保真渲染。然而，这些方法在牺牲几何精度以换取渲染质量方面存在局限，限制了其在包括重照明和变形等后续应用中的潜力。如何在保持准确几何重建的同时实现照片般的渲染，仍是未解之谜。本文提出 AniSDF，一种利用物理驱动编码学习粗粒度融合神经曲面的新方法，以实现高保真 3D 重建。不同于以往的神经曲面，AniSDF 的粗粒度几何结构在整体结构与细节几何之间进行平衡，实现准确的几何重建。为消除几何与反射外观之间的歧义，我们引入混合辐射场模型，依据各向异性球形高斯编码分别模拟漫反射与高光，构建基于物理的渲染管线。通过这些设计，AniSDF 能够重建结构复杂的物体并生成高质量的渲染结果。此外，我们的方法为统一模型，无需针对特定物体进行复杂的超参数调优。大量实验表明，该方法在几何重建和新视角合成方面均显著提升了基于 SDF 的方法性能。
引用
@article{arxiv.2410.01202,
title = {AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction},
author = {Jingnan Gao and Zhuo Chen and Xiaokang Yang and Yichao Yan},
journal= {arXiv preprint arXiv:2410.01202},
year = {2025}
}
备注
Accepted by ICLR2025, Project Page: https://g-1nonly.github.io/AniSDF_Website/