NeuS2：用于多视图重建的神经隐式表面快速学习
计算机视觉与模式识别
2023-11-20 v3 图形学
摘要
最近的神经表面表示与绘制方法，例如 NeuS，已展示出对静态场景极高精度的重建。然而，NeuS 的训练耗时极长（8 小时），这使其几乎不可能应用于具有数千帧的动态场景。我们提出了一种快速神经表面重建方法，称为 NeuS2，在不牺牲重建质量的前提下实现了两个数量级的加速。为加速训练过程，我们通过多分辨率哈希编码参数化神经表面表示，并针对我们的网络提出了一种新颖的轻量级二阶导计算以利用 CUDA 并行，实现了两倍速的提升。为进一步稳定并加快训练，提出了一种从粗到细优化多分辨率哈希编码的渐进学习策略。我们将方法扩展至动态场景的快速训练，通过提出的增量训练策略与一种新颖的全局变换预测组件，使我们的方法能够处理具有大幅运动与形变的有挑战性的长序列。我们在多个数据集上的实验表明，NeuS2 在静态与动态场景的表面重建精度与训练速度上均显著优于最先进方法。代码可在我们的网站获取：https://vcai.mpi-inf.mpg.de/projects/NeuS2/ 。
引用
@article{arxiv.2212.05231,
title = {NeuS2: Fast Learning of Neural Implicit Surfaces for Multi-view Reconstruction},
author = {Yiming Wang and Qin Han and Marc Habermann and Kostas Daniilidis and Christian Theobalt and Lingjie Liu},
journal= {arXiv preprint arXiv:2212.05231},
year = {2023}
}
备注
ICCV 2023