OReX：基于神经场的平面横截面物体重建

从平面横截面重建三维形状是一项受医学成像与地理信息学等下游应用启发的挑战。输入是在空间中稀疏平面集合上完全定义的内部/外部指示函数，输出是该指示函数到整个体的插值。先前解决这一稀疏且病态问题的工作要么产生低质量结果，要么依赖额外先验如目标拓扑、外观信息或输入法线方向。本文中，我们提出 OReX，一种仅从切片进行三维形状重建的方法，以神经场作为插值先验。一个适度的神经网络在输入平面上训练，为给定三维坐标返回内部/外部估计，产生诱导平滑与自相似性的强大先验。该方法的主要挑战是高频细节，因为神经先验过度平滑。为缓解此问题，我们提供迭代估计架构与分层输入采样方案，鼓励由粗到细的训练，使训练过程在后期聚焦于高频。此外，我们识别并分析了源于网格提取步骤的涟漪状效应。我们通过在网络训练期间正则化输入内外边界附近指示函数的空间梯度，从根源上解决该问题。通过大量定性与定量实验，我们证明我们的方法鲁棒、准确且随输入规模良好扩展。相比先前方法与近期潜在方案，我们报告了最先进的结果，并通过分析与消融研究展示了各独立贡献的益处。