HR-NeuS：通过神经隐式表面恢复高频表面几何
计算机视觉与模式识别
2023-02-15 v1
摘要
神经隐式表面在多视角三维重建中的近期进展主要关注提升大尺度表面重建精度，但常产生过度平滑、缺乏精细表面细节的几何。为此，我们提出高分辨率 NeuS (HR-NeuS)，一种新颖的神经隐式表面重建方法，可在保持大尺度重建精度的同时恢复高频表面几何。我们通过以下方式实现：(i) 在高频处使用多分辨率哈希网格编码而非位置编码，从而提升模型对局部几何细节的表达能力；(ii) 一种由粗到细的算法框架，对粗几何选择性地施加表面正则化而不平滑掉精细细节；(iii) 一种由粗到细的网格退火策略来训练网络。我们在 DTU 与 BlendedMVS 数据集上的实验表明，与先前方法相比，我们的方法生成的三维几何在定性上细节更丰富，在定量上精度相当。
引用
@article{arxiv.2302.06793,
title = {HR-NeuS: Recovering High-Frequency Surface Geometry via Neural Implicit Surfaces},
author = {Erich Liang and Kenan Deng and Xi Zhang and Chun-Kai Wang},
journal= {arXiv preprint arXiv:2302.06793},
year = {2023}
}