从透明到不透明：基于 α-NeuS 重新思考神经隐式曲面
计算机视觉与模式识别
2025-01-22 v2
摘要
从多视角图像进行三维形状重建的传统技术（如运动恢复结构和多视角立体匹配）在重建透明物体时面临挑战。神经辐射场及其变体的最新进展主要处理不透明或透明物体，在同时重建透明和不透明物体时遇到困难。本文提出了 α-NeuS——NeuS 的扩展——证明了 NeuS 对于从完全透明到完全不透明的材料是无偏的。我们发现透明和不透明表面分别对应于 NeuS 学习到的距离场中的非负局部极小值和零等值面。传统的等值面提取算法（如 marching cubes）依赖固定的等值，因此不适合此类数据。我们开发了一种基于 DCUDF 同时提取透明和不透明表面的方法。为验证我们的方法，我们构建了一个包含真实场景和合成场景的基准，证明了其实用性和有效性。我们的数据和代码在 https://github.com/728388808/alpha-NeuS 公开。
引用
@article{arxiv.2411.05362,
title = {From Transparent to Opaque: Rethinking Neural Implicit Surfaces with $\alpha$-NeuS},
author = {Haoran Zhang and Junkai Deng and Xuhui Chen and Fei Hou and Wencheng Wang and Hong Qin and Chen Qian and Ying He},
journal= {arXiv preprint arXiv:2411.05362},
year = {2025}
}
备注
NeurIPS 2024