PR-NeuS：一种用于快速多视图神经表面重建的基于先验的残差学习范式
计算机视觉与模式识别
2023-12-20 v1
摘要
神经表面学习在多视图表面重建中展现出了令人印象深刻的性能。然而，现有大多数方法使用大型多层感知机（MLP）从零开始训练模型，导致单个场景的训练时间长达数小时。最近，如何加速神经表面学习受到了广泛关注，但仍是一个开放问题。在这项工作中，我们提出了一种基于先验的残差学习范式，用于快速多视图神经表面重建。该范式包含两个优化阶段。在第一阶段，我们提出利用泛化模型生成基础符号距离函数（SDF）场。该初始场可以通过融合泛化模型产生的多个局部 SDF 场快速获得。这提供了粗糙的全局几何先验。基于此先验，在第二阶段，提出了一种基于哈希编码网络的快速残差学习策略，以编码基础 SDF 场的偏移 SDF 场。此外，我们引入了先验引导的采样方案，以帮助残差学习阶段更好地收敛，从而恢复更精细的结构。实验结果表明，利用我们设计的范式，我们的方法仅需约 3 分钟即可重建单个场景的表面，同时实现了具有竞争力的表面质量。我们的代码将在发表后发布。
引用
@article{arxiv.2312.11577,
title = {PR-NeuS: A Prior-based Residual Learning Paradigm for Fast Multi-view Neural Surface Reconstruction},
author = {Jianyao Xu and Qingshan Xu and Xinyao Liao and Wanjuan Su and Chen Zhang and Yew-Soon Ong and Wenbing Tao},
journal= {arXiv preprint arXiv:2312.11577},
year = {2023}
}