基于 CPU 的贝叶斯融合 SDF：视点规划的概率性签号距离融合
计算机视觉与模式识别
2026-02-24 v1 图形学
机器人学
摘要
3D 重建是机器人、增强现实和数字检测的关键任务，需从深度观测中进行稠密重建。传统体积融合技术，包括截断签号距离函数 (TSDF)，能够高效且确定性地进行几何重建，但依赖于经验性加权，且系统性地无法透明地传递不确定性。近期的神经隐式方法另一方面获得了极高的保真度，但通常需要大量 GPU 计算资源，且难以进行后期决策。本文提出了 BayesFusion-SDF，一个面向 CPU 的概率性签号距离融合框架，将几何建模为稀疏高斯随机场，定义其体素距离上的后验分布。首先，使用粗略的 TSDF 重建创建自适应窄带域。然后，通过异方差贝叶斯公式组合深度观测，使用稀疏线性代数和预条件共轭梯度法求解。随机对角估计是获取后验不确定性的快速方法。这使得能够在考虑不确定性的前提下提取表面并规划下一个最佳视点。在受控消除场景和 CO3D 对象序列上的测试表明，该方法在几何上比 TSDF 基线更准确，并为主动感知提供有用的不确定性估计。该提出的公式为 GPU 重型神经重建方法提供了一个清晰且易于使用的替代方案，同时能够以概率方式理解且具有可预测性。GitHub: https://mazumdarsoumya.github.io/BayesFusionSDF
引用
@article{arxiv.2602.19697,
title = {BayesFusion-SDF: Probabilistic Signed Distance Fusion with View Planning on CPU},
author = {Soumya Mazumdar and Vineet Kumar Rakesh and Tapas Samanta},
journal= {arXiv preprint arXiv:2602.19697},
year = {2026}
}