J-NeuS：面向有限图像重叠城市场景的神经表面重建联合场优化
计算机视觉与模式识别
2025-10-01 v2
摘要
从记录的驾驶序列中重建周围表面几何形状是一项重大挑战，因为城市环境中的图像重叠有限且拓扑结构复杂。最先进的神经隐式表面重建方法在此类设置中常常遇到困难，要么因视觉重叠较小而失败，要么在准确重建表面和精细结构方面表现欠佳。为了解决这些局限性，我们引入了J-NeuS，一种针对具有外向相机姿态的大型驾驶序列的新型混合隐式表面重建方法。J-NeuS利用跨表示不确定性估计来处理因有限观测导致的模糊几何。我们的方法对两个辐射场进行联合优化，并结合引导采样，在复杂的城市场景中实现了大面积区域以及精细结构的准确重建。在主要驾驶数据集上的广泛评估证明了我们的方法在重建具有有限图像重叠的大型驾驶序列方面的优越性，超越了同时期的最先进方法。
引用
@article{arxiv.2501.03932,
title = {J-NeuS: Joint field optimization for Neural Surface reconstruction in urban scenes with limited image overlap},
author = {Fusang Wang and Hala Djeghim and Nathan Piasco and Moussab Bennehar and Luis Roldão and Yizhe WU and Fabien Moutarde and Désiré Sidibé and Dzmitry Tsishkou},
journal= {arXiv preprint arXiv:2501.03932},
year = {2025}
}