MonoSDF：探索单目几何线索用于神经隐式表面重建

近年来，神经隐式表面重建方法在多视角 3D 重建中变得流行。与传统多视角立体方法相比，这些方法由于神经网络的归纳平滑偏置倾向于产生更平滑且更完整的重建。最先进的神经隐式方法允许从大量输入视角对简单场景进行高质量重建。然而，其对更大更复杂场景以及从稀疏视角捕获的场景性能显著下降。这主要由 RGB 重建损失中固有的模糊性导致，其未提供足够约束，尤其在观测较少和无纹理区域。受单目几何预测领域近期进展的启发，我们系统性地探索这些线索对改进神经隐式表面重建的效用。我们证明由通用单目估计器预测的深度与法向线索显著改善重建质量与优化时间。进一步，我们分析并研究了表示神经隐式表面的多种设计选择，从整体 MLP 模型、单网格到多分辨率网格表示。我们观察到几何单目先验无论表示选择如何，均对小尺度单物体以及大尺度多物体场景提升性能。