SplatSDF：通过高斯光点实现 SDF-NeRF 的架构级融合加速
计算机视觉与模式识别
2026-02-27 v2 图形学
机器人学
摘要
符号距离-辐射场（SDF-NeRF）是一种有前景的环境表示方法，既能实现逼真的渲染，又能进行几何推理，如碰撞规避的近距离查询。然而，SDF-NeRF 的训练速度慢且收敛困难，限制了其在实际机器人系统中的应用。我们提出了 SplatSDF，一种新的 SDF-NeRF 架构，通过利用 3D 高斯光点（3DGS）实现加速收敛，3DGS 可快速预训练。不同于以前的方法通过引入 3DGS 和 SDF-NeRF 之间一致性损失，SplatSDF 在架构层面直接融合 3DGS，将其作为 SDF-NeRF 训练时的输入。通过一种新颖的稀疏 3DGS 融合策略，将 3DGS 的神经嵌入注入对象表面附近的 SDF-NeRF 中，同时允许在无 3DGS 时进行推理以实现最小化操作。实验结果表明，SplatSDF 在达到相同几何精度方面比最佳基线快 3 倍，在凹 Chamfer 距离和峰信噪比（PSNR）方面超越了最先进的 SDF-NeRF 方法，与基于一致性损失的方法相比，后者实际上仅提供有限的提升。我们还展示了通过 3 倍加速梯度和 Hessian 步骤的计算技术。我们期望这些改进将促进 SDF-NeRF 在实际系统中的部署。
引用
@article{arxiv.2411.15468,
title = {SplatSDF: Boosting SDF-NeRF via Architecture-Level Fusion with Gaussian Splats},
author = {Runfa Blark Li and Keito Suzuki and Bang Du and Ki Myung Brian Lee and Nikolay Atanasov and Truong Nguyen},
journal= {arXiv preprint arXiv:2411.15468},
year = {2026}
}