RaNeuS：光线自适应神经表面重建
计算机视觉与模式识别
2024-06-17 v1
摘要
我们的目标是利用可微分辐射场（如 NeRF）在生成标准新视角渲染的同时，对 3D 表面进行详细重建。已有相关方法执行此类任务，通常通过利用符号距离场 (SDF) 实现。然而，现有的所谓方法仍未能正确重建小尺度细节，如叶片、绳索和纺织表面。鉴于不同方法对 SDF 到辐射场的投影在全局恒定 Eikonal 正则化下进行形式化和优化，我们通过在建立完美 SDF 基础上引入光线级加权因子，以优先处理渲染和零交叉表面拟合。我们提出自适应调整符号距离场上的正则化，以免不满意的渲染光线强制执行无效的强 Eikonal 正则化，并允许来自已学习良好辐射区域的梯度有效地反向传播到 SDF。因此，在生成准确且详尽的表面方面实现了这两种目标的平衡。此外，鉴于零交叉表面在 SDF 中的几何偏差与辐射场中的渲染点之间是否存在，投影在优化过程中也可根据不同的 3D 位置进行调整。我们对提出的 RaNeuS 在合成数据和真实数据上的广泛评估表明，其在新视角合成和几何重建方面均取得了最新进展成果。
关键词
引用
@article{arxiv.2406.09801,
title = {RaNeuS: Ray-adaptive Neural Surface Reconstruction},
author = {Yida Wang and David Joseph Tan and Nassir Navab and Federico Tombari},
journal= {arXiv preprint arXiv:2406.09801},
year = {2024}
}
备注
3DV 2024, oral. In: Proceedings of the IEEE/CVF International Conference on 3D Vision (2023)