基于表面感知引导的连续主动3D神经重建不确定性
计算机视觉与模式识别
2025-12-05 v3 人工智能
摘要
视图选择是主动3D神经重建中的关键因素，因为它影响训练集的内容以及最终输出质量。最近的视图选择策略在评估模型不确定性时强调可见性。然而，现有方法仅在模型完全收敛后才估计可见性，这将其应用局限于非连续主动学习场景。本文提出一种基于表面的可见性场（SBV），成功实现了连续主动3D神经重建中的可见性引导不确定性估计。在学习神经隐式表面过程中，模型学习渲染不确定性，并推断基于符号距离函数（SDF）推断的表面置信度值。随后，通过体素网格更新表面置信度，稳健地推断出用于不确定性的表面可见性。该方法覆盖所有区域，无论是清晰定义的表面还是模糊区域，确保在连续主动学习中实现准确的可见性测量。在Tanks and Temples、BlendedMVS、Blender、DTU等基准数据集以及新提出的不平衡视角数据集（ImBView）上的实验表明，基于SBV引导不确定性的视图选择相较于现有方法可提升最高11.6%的性能，凸显其在挑战性重建场景中的有效性。
引用
@article{arxiv.2405.02568,
title = {Surface-Based Visibility-Guided Uncertainty for Continuous Active 3D Neural Reconstruction},
author = {Hyunseo Kim and Hyeonseo Yang and Taekyung Kim and YoonSung Kim and Minsu Lee and Jin-Hwa Kim and Byoung-Tak Zhang},
journal= {arXiv preprint arXiv:2405.02568},
year = {2025}
}
备注
The main claims are the same as in the previous version, but the naming and explanations have been changed. Accepted at AAAI 2026 Artificial Intelligence with Biased or Scarce Data workshop