面向神经隐式表面表示的频率基准分层（FreBIS）
计算机视觉与模式识别
2025-04-30 v1
摘要
神经隐式表面表示技术正处于增长期，正在推动增强现实/虚拟现实、数字孪生、自动驾驶等众多领域的技术发展。凭借能够将场景中物体表面建模为连续函数的能力，这些技术近期取得了显著进展，尤其相对于采用体素或点云的经典 3D 表面重建方法。然而，这些方法在面对具有复杂且多变表面的场景时仍感困难，因为它们使用单一编码器网络来同时捕获场景中低至高的所有表面频率信息。本文提出一种名为 FreBIS 的新型神经隐式表面表示方法，以克服这一挑战。FreBIS 通过将场景根据表面频率分层为多个频率层级，每个层级（或一组层级）由专用编码器进行编码。此外，FreBIS 通过一种新颖的、冗余感知加权模块鼓励这些编码器捕获互补信息，以实现编码特征的互不相似。在对挑战性 BlendedMVS 数据集进行的实证评估表明，将标准编码器替换为频率分层编码器，可为开箱即用的神经表面重建方法带来显著的改进。这些增强在重建 3D 表面的质量以及从任意视角对其渲染的保真度方面都表现突出。
关键词
引用
@article{arxiv.2504.20222,
title = {FreBIS: Frequency-Based Stratification for Neural Implicit Surface Representations},
author = {Naoko Sawada and Pedro Miraldo and Suhas Lohit and Tim K. Marks and Moitreya Chatterjee},
journal= {arXiv preprint arXiv:2504.20222},
year = {2025}
}
备注
Accepted to CVPR 2025 CV4Metaverse Workshop