PG-NeuS：面向多视图神经表面重建的鲁棒高效点引导方法
计算机视觉与模式识别
2024-12-17 v2 人工智能
摘要
近来，以的点云或深度图监督学习多视图神经表面重建成为一种有前景的途径。然而，由于先验信息利用不足，现有方法仍受限于精度不高与时间复杂度过大的挑战。此外，先验数据扰动也是一个重要却鲜被考量的问题。为应对这些挑战，我们提出一种名为PG-NeuS的新型点引导方法，其在鲁棒应对点噪声的同时实现准确高效的重建。具体而言，我们对点云偶然不确定性进行建模以捕捉噪声分布，从而获得噪声鲁棒性。进一步，提出连接点与图像的神经投影模块，为隐式表面添加几何约束，实现精确的点引导。为更好补偿体渲染与点建模之间的几何偏差，将高保真点筛选送入偏差网络以进一步提升细节表达。得益于有效的点引导，即便使用轻量网络，所提PG-NeuS仍实现快速收敛，相比NeuS提速达11倍。大量实验表明，我们的方法以高效率产出高质量表面，尤其对细粒度细节与平滑区域表现优异，超越SOTA方法。此外，它对噪声数据与稀疏数据均展现出强鲁棒性。
引用
@article{arxiv.2310.07997,
title = {PG-NeuS: Robust and Efficient Point Guidance for Multi-View Neural Surface Reconstruction},
author = {Chen Zhang and Wanjuan Su and Qingshan Xu and Wenbing Tao},
journal= {arXiv preprint arXiv:2310.07997},
year = {2024}
}