Spurfies：基于局部几何先验的稀疏表面重建
计算机视觉与模式识别
2024-08-30 v1
摘要
我们提出了 Spurfies，一种用于稀疏视图表面重建的新方法，通过分离外观和几何信息来利用在合成数据上训练的局部几何先验。近期研究主要聚焦于使用密集多视角 setup 进行 3D 重建，通常需要数百张图像。然而，这些方法在少视角情景下往往难以实现。现有的稀疏视图重建技术常常依赖需要从大量数据中学习几何与外观联合先验的多视角立体网络。在 contrastively地，我们引入一种神经点表示方法，通过分离几何与外观，在仅使用 ShapeNet 数据集子集进行训练后，利用该表面先验作为约束，通过可微分体积渲染来重建稀疏输入视图下的表面与外观，从而限制可能解的空间。我们在 DTU 数据集上验证了方法有效性，结果显示其在表面质量上超过了之前的方法 35%，同时在新视角合成质量方面表现出竞争力。此外，与之前的工作相比，我们的方法可以应用于更大范围的、无界限的场景，如 Mip-NeRF 360。
引用
@article{arxiv.2408.16544,
title = {Spurfies: Sparse Surface Reconstruction using Local Geometry Priors},
author = {Kevin Raj and Christopher Wewer and Raza Yunus and Eddy Ilg and Jan Eric Lenssen},
journal= {arXiv preprint arXiv:2408.16544},
year = {2024}
}
备注
https://geometric-rl.mpi-inf.mpg.de/spurfies/