Ref-NeuS：面向含反射多视角重建的歧义削弱型神经隐式表面学习
计算机视觉与模式识别
2023-07-18 v2 机器学习
摘要
神经隐式表面学习在多视角三维重建中已取得显著进展，其中物体由多层感知机表示，提供连续的隐式表面表示与视角相关辐射度。然而，现有方法常无法准确重建反射表面，导致严重歧义。为克服该问题，我们提出 Ref-NeuS，旨在通过削弱反射表面的影响来减少歧义。具体而言，我们利用异常检测器在多视角上下文引导下估计显式反射分数以定位反射表面。随后，我们设计了一种反射感知光度损失，通过将渲染颜色建模为高斯分布（反射分数表示方差）来自适应地减少歧义。我们表明，结合反射方向相关辐射度，我们的模型在反射表面上实现了高质量表面重建，并以较大优势超越现有最优方法。此外，我们的模型在一般表面上也具有可比性。
引用
@article{arxiv.2303.10840,
title = {Ref-NeuS: Ambiguity-Reduced Neural Implicit Surface Learning for Multi-View Reconstruction with Reflection},
author = {Wenhang Ge and Tao Hu and Haoyu Zhao and Shu Liu and Ying-Cong Chen},
journal= {arXiv preprint arXiv:2303.10840},
year = {2023}
}
备注
ICCV 2023, Project webpage: https://g3956.github.io/