NoPose-NeuS：联合优化相机姿态与神经隐式表面以进行多视图重建
计算机视觉与模式识别
2023-12-27 v1 图形学
摘要
从体渲染学习神经隐式表面已成为多视图重建的流行方法。神经表面重建方法可以恢复经典多视图立体视觉 (MVS) 方法难以处理的复杂 3D 几何结构，例如非朗伯表面和薄结构。然而，这些方法的一个关键假设是已知输入多视图图像的准确相机参数，而这些参数并非总是可用。在本文中，我们提出了 NoPose-NeuS，这是一种神经隐式表面重建方法，它将 NeuS 扩展为联合优化相机姿态以及几何和颜色网络。我们将相机姿态编码为多层感知机 (MLP)，并引入了两个额外的损失函数，即多视图特征一致性和渲染深度损失，以约束学习到的几何结构，从而获得更好的估计相机姿态和场景表面。在 DTU 数据集上的大量实验表明，所提出的方法可以估计相对准确的相机姿态，同时保持高质量的表面重建，其平均 Chamfer 距离为 0.89。
引用
@article{arxiv.2312.15238,
title = {NoPose-NeuS: Jointly Optimizing Camera Poses with Neural Implicit Surfaces for Multi-view Reconstruction},
author = {Mohamed Shawky Sabae and Hoda Anis Baraka and Mayada Mansour Hadhoud},
journal= {arXiv preprint arXiv:2312.15238},
year = {2023}
}