GURecon：用于神经表面重建的详细 3D 几何不确定性学习
计算机视觉与模式识别
2025-07-22 v3
摘要
神经表面表示在新视角合成和 3D 重建领域已显示出显著的成功。然而，在缺乏 ground truth 网格的情况下评估 3D 重建的几何质量仍是一个重大挑战，由于其基于渲染的优化过程以及光谱损失下几何与外观学习的 entanglement。本文提出了一种新型框架，即 GURecon，通过几何一致性建立神经表面的几何不确定性场。与现有方法依赖渲染测量不同，GURecon 对重建表面建模连续 3D 不确定性场，并通过在线蒸馏方法进行学习，无需引入真实几何信息进行监督。此外，为了减轻照明对几何一致性的干扰，学习并利用解耦场来微调不确定性场。在 various 数据集上的实验表明，GURecon 在建模 3D 几何不确定性方面具有优势，同时其即插即用扩展适用于各种神经表面表示，并提高下游任务，如增量重建的性能。代码和补充材料可在项目网站 https://zju3dv.github.io/GURecon/ 上获取。
引用
@article{arxiv.2412.14939,
title = {GURecon: Learning Detailed 3D Geometric Uncertainties for Neural Surface Reconstruction},
author = {Zesong Yang and Ru Zhang and Jiale Shi and Zixiang Ai and Boming Zhao and Hujun Bao and Luwei Yang and Zhaopeng Cui},
journal= {arXiv preprint arXiv:2412.14939},
year = {2025}
}
备注
Accepted by AAAI 2025. Project page: https://zju3dv.github.io/GURecon/