用于多视图重建的坐标量化神经隐式表示
计算机视觉与模式识别
2023-08-23 v1
摘要
近年来，从多视图图像学习神经隐式表示用于 3D 重建取得了巨大进展。作为补充坐标的额外输入，使用正弦函数作为位置编码在基于坐标的神经网络揭示高频细节方面起关键作用。然而，高频位置编码使优化不稳定，导致噪声重建及空白空间中的伪影。为从一般意义上解决该问题，我们引入以量化坐标学习神经隐式表示，降低了优化过程中场的不确定性与歧义。我们以最近邻插值将连续坐标离散为离散坐标，所用量化坐标通过对场以极高分辨率离散获得。我们利用离散坐标及其位置编码通过体渲染学习隐式函数。这显著减少了样本空间中的变化，并对来自不同视图的光线交点触发更多多视图一致性约束，从而以更有效方式推断隐式函数。我们的量化坐标不带来任何计算负担，并可无缝作用于最新方法之上。在广泛使用基准下的评估显示了我们对最先进方法的优越性。我们的代码见 https://github.com/MachinePerceptionLab/CQ-NIR。
引用
@article{arxiv.2308.11025,
title = {Coordinate Quantized Neural Implicit Representations for Multi-view Reconstruction},
author = {Sijia Jiang and Jing Hua and Zhizhong Han},
journal= {arXiv preprint arXiv:2308.11025},
year = {2023}
}
备注
to be appeared at ICCV 2023