基于学习预测性上下文先验的点云表面重建

点云表面重建对三维计算机视觉至关重要。最先进的方法利用大型数据集首先学习局部上下文先验，这些先验被表示为基于神经网络的有符号距离函数（SDF），其参数编码局部上下文。为了在推理时于特定查询位置重建表面，这些方法随后通过在给定查询位置于局部先验空间中搜索最佳匹配（通过优化编码局部上下文的参数）来匹配局部重建目标。然而，这要求局部上下文先验能泛化到各种未见目标区域，这难以实现。为解决此问题，我们引入预测性上下文先验，通过在推理时为每个特定点云学习预测性查询（Predictive Queries）。具体而言，我们首先使用大型点云数据集训练局部上下文先验，类似于先前技术。然而在推理时进行表面重建时，我们通过学习预测性查询将局部上下文先验特化为我们的预测性上下文先验，其预测调整后的空间查询位置作为原始位置的位移。这得到了一个最贴合特定点云的全局SDF。直观上，查询预测使我们能够灵活地在整个先验空间中搜索学到的局部上下文先验，而非局限于固定查询位置，从而提升了泛化能力。我们的方法不需要真实有符号距离、法线或任何跨重叠区域的有符号距离融合的额外步骤。我们在单形状或复杂场景表面重建上的实验结果表明，在广泛使用的基准下显著优于最先进水平。