HelixSurf：基于迭代交织正则化的鲁棒高效室内场景神经隐式表面学习
计算机视觉与模式识别
2023-03-02 v2
摘要
从多视图图像中恢复底层场景几何结构一直是计算机视觉研究中的长期挑战。近期的研究利用神经隐式表面学习和可微分体渲染，实现了场景几何恢复和新视角合成的双重目标，其中神经模型的深度先验被用作归纳平滑偏置。虽然这些方法在物体级表面方面表现出色，但在处理复杂场景表面时却表现不佳。与此同时，传统的多视图立体可以通过全局优化多个视图间的局部像素级对应关系，恢复具有丰富纹理的场景几何。因此，我们受到启发利用这两种策略的互补优势，提出了一种称为螺旋形神经隐式表面学习（HelixSurf）的方法；HelixSurf 使用一种策略的中间预测作为指导来正则化另一种策略的学习，并在学习过程中迭代地进行这种交织正则化。我们还为 HelixSurf 提出了一种高效的可微分体渲染方案。在室内场景表面重建上的实验表明，我们的方法优于现有方法，且速度快了几个数量级，即使部分现有方法使用了辅助训练数据。源代码可在 https://github.com/Gorilla-Lab-SCUT/HelixSurf 获取。
引用
@article{arxiv.2302.14340,
title = {HelixSurf: A Robust and Efficient Neural Implicit Surface Learning of Indoor Scenes with Iterative Intertwined Regularization},
author = {Zhihao Liang and Zhangjin Huang and Changxing Ding and Kui Jia},
journal= {arXiv preprint arXiv:2302.14340},
year = {2023}
}