SC-NeuS：基于稀疏含噪视角的连贯神经表面重建
计算机视觉与模式识别
2023-07-13 v1
摘要
近期基于体渲染的神经表面重建方法已取得显著进展，实现了令人印象深刻的表面重建质量，但仍局限于稠密且高精度位姿的视角。为克服这些缺陷，本文特别关注从带噪声相机位姿的稀疏视角进行连贯表面重建。与先前方法不同，本文的关键区别在于直接从神经表面的显式几何中利用多视角约束，其可作为有效正则化来联合学习神经表面并细化相机位姿。为构建有效的多视角约束，我们引入一种快速可微的表面上交点生成方法来产生表面上点，并基于此类可微点提出视角一致损失以正则化神经表面学习。基于此，我们提出一种神经表面与相机位姿的联合学习策略，称为 SC-NeuS，以端到端方式执行几何连贯的表面重建。通过在公开数据集上的广泛评估，我们的 SC-NeuS 相比先前最先进的神经表面重建方法能始终取得更好的表面重建结果并保留细粒度细节，尤其是在稀疏且含噪的相机视角下。
引用
@article{arxiv.2307.05892,
title = {SC-NeuS: Consistent Neural Surface Reconstruction from Sparse and Noisy Views},
author = {Shi-Sheng Huang and Zi-Xin Zou and Yi-Chi Zhang and Hua Huang},
journal= {arXiv preprint arXiv:2307.05892},
year = {2023}
}