C2F2NeUS：用于高保真可泛化神经表面重建的级联代价截锥融合
计算机视觉与模式识别
2023-10-25 v2
摘要
将多视图立体（MVS）与神经隐式表面（NIS）这两种流行的三维框架相结合、并特别关注少样本/稀疏视角设置的研究正在兴起。本文提出一种新颖的集成方案，将多视图立体与神经符号距离函数表示相结合，有望克服两种方法的局限。MVS 使用逐视角深度估计与跨视角融合来生成精确表面，而 NIS 依赖于公共坐标体。基于该策略，我们提出构建逐视角代价截锥以实现更精细的几何估计，随后融合跨视角截锥并估计隐式符号距离函数，以解决因重建表面中的噪声与孔洞所产生的伪影。我们进一步应用级联截锥融合策略以有效捕获全局-局部信息与结构一致性。最后，我们应用级联采样与伪几何损失以促进两种架构之间更强的集成。大量实验表明，我们的方法能重建鲁棒表面，并优于现有的 SOTA 方法。
引用
@article{arxiv.2306.10003,
title = {C2F2NeUS: Cascade Cost Frustum Fusion for High Fidelity and Generalizable Neural Surface Reconstruction},
author = {Luoyuan Xu and Tao Guan and Yuesong Wang and Wenkai Liu and Zhaojie Zeng and Junle Wang and Wei Yang},
journal= {arXiv preprint arXiv:2306.10003},
year = {2023}
}
备注
Accepted by ICCV2023