GO-Surf：用于快速高保真 RGB-D 表面重建的神经特征网格优化
计算机视觉与模式识别
2022-09-20 v2
摘要
我们提出 GO-Surf，一种用于从 RGB-D 序列进行准确快速表面重建的直接特征网格优化方法。我们用一个学习的层次化特征体素网格来建模底层场景，该网格封装了多级几何与外观局部信息。特征向量被直接优化，使得在经过三线性插值、由两个浅层 MLP 解码为有符号距离和辐射值、并通过表面体渲染进行绘制后，合成与观测的 RGB/深度值之间的差异被最小化。我们的监督信号——RGB、深度和近似 SDF——可直接从输入图像获得，无需任何融合或后处理。我们构造了一个新颖的 SDF 梯度正则化项，在保持高频细节的同时促进表面平滑与孔洞填充。GO-Surf 可在 - 分钟内优化 -K 帧序列，相比基于 MLP 表示的最相关方法 NeuralRGB-D 实现了 的加速，同时在标准基准上保持相当的性能。项目页面：https://jingwenwang95.github.io/go_surf/
引用
@article{arxiv.2206.14735,
title = {GO-Surf: Neural Feature Grid Optimization for Fast, High-Fidelity RGB-D Surface Reconstruction},
author = {Jingwen Wang and Tymoteusz Bleja and Lourdes Agapito},
journal= {arXiv preprint arXiv:2206.14735},
year = {2022}
}
备注
3DV2022 (Oral), first two authors contributed equally. Project page: https://jingwenwang95.github.io/go_surf/