无符号距离场学习中的细节增强用于高保真3D表面重建
计算机视觉与模式识别
2025-04-08 v3
摘要
虽然符号距离场在建模水密表面方面已得到广泛应用，但无符号距离场将范围扩展到包括开放表面和具有复杂内部结构的模型。尽管具有灵活性，无符号距离场在高保真3D重建中面临重大挑战，例如在零水平集处的不可微性、难以达到精确零值、大量局部极小值、梯度消失以及零水平集附近的梯度方向振荡。为了解决这些挑战，我们提出了细节增强无符号距离场学习，它整合了法线对齐和SIREN网络以捕捉精细几何细节、自适应加权的Eikonal约束以解决目标表面附近的梯度消失问题、无条件的基于MLP的无符号距离场表示以放松非负性约束，以及DCUDF以提取局部最小平均距离表面。这些策略共同稳定了从无定向点云的学习过程，并提高了无符号距离场的精度。我们的计算结果表明，DEUDF在重建表面的精度和质量方面均优于现有的无符号距离场学习方法。我们的源代码位于https://github.com/GiliAI/DEUDF。
引用
@article{arxiv.2406.00346,
title = {Details Enhancement in Unsigned Distance Field Learning for High-fidelity 3D Surface Reconstruction},
author = {Cheng Xu and Fei Hou and Wencheng Wang and Hong Qin and Zhebin Zhang and Ying He},
journal= {arXiv preprint arXiv:2406.00346},
year = {2025}
}