基于光束几何的稀疏视图神经表面重建
计算机视觉与模式识别
2026-04-21 v4
摘要
从稀疏多视图图像重建准确表面仍具有挑战性，因为存在严重的几何歧义和遮挡。现有的可泛化神经表面重建方法主要依赖基于简单统计（如均值和方差）总结多视图特征的 cost volume，这些方法会丢弃关键的视图依赖几何结构，常导致过度平滑的重建结果。我们提出 EpiS（Epipolar Surface Reconstruction）一个可泛化的神经表面重建框架，显式地针对稀疏视图输入利用光束几何。我们不直接从 cost-volume 统计量回归几何，而是使用粗糙的 cost-volume 特征引导沿对应光束线聚合细粒度光束特征。光束转换器融合多视图信息，随后进行 ray-wise 聚合以产生 SDF-aware 特征用于表面估计。为进一步减轻稀疏视图下的信息损失，我们引入一种几何正则化策略，利用预训练的单目深度模型通过尺度不变的全局和局部约束。在 DTU 和 BlendedMVS 上的大规模实验表明，EpiS 在稀疏视图设置下显著优于最新的可泛化表面重建方法，同时保持强大的泛化能力，无需每场景优化。
引用
@article{arxiv.2406.04301,
title = {Neural Surface Reconstruction from Sparse Views Using Epipolar Geometry},
author = {Xinhai Chang and Kaichen Zhou},
journal= {arXiv preprint arXiv:2406.04301},
year = {2026}
}