InfoNorm：基于互信息归一化的稀疏视图重建
计算机视觉与模式识别
2024-07-18 v1
摘要
从多视图图像进行 3D 表面重建是场景理解和交互的关键任务。然而，复杂室内场景因观察有限而导致歧义。最近的隐式表面表示，如 Neural Radiance Fields (NeRFs) 和 signed distance functions (SDFs)，采用各种几何先验来解决观察信息的不足。然而，这些方法的性能高度依赖于预训练几何估计模型的质量。为缓解这种依赖，我们提出通过显式鼓励高度相关场景点表面法线之间的互信息来正则化几何建模。如此一来，几何学习过程由噪声（一级）几何先验的二阶相关性所调制，从而消除由于泛化性差而导致的偏差。此外，我们引入一种简单而有效的方案，用于利用语义和几何特征来识别相关点，从而增强它们的互信息。该提出技术可作为 SDF 基于神经表面表示的插件。我们的实验表明，该方法在提高主要状态的艺术品的表面重建质量方面有效。我们的代码可在：https://github.com/Muliphein/InfoNorm 获取。
引用
@article{arxiv.2407.12661,
title = {InfoNorm: Mutual Information Shaping of Normals for Sparse-View Reconstruction},
author = {Xulong Wang and Siyan Dong and Youyi Zheng and Yanchao Yang},
journal= {arXiv preprint arXiv:2407.12661},
year = {2024}
}
备注
ECCV 2024