ViiNeuS：面向图像重叠受限城市场景隐式神经表面重建的体积初始化
计算机视觉与模式识别
2025-03-19 v6
摘要
神经隐式表面表示方法最近展示了令人印象深刻的3D重建结果。然而，由于驾驶场景规模大、性质高度复杂且视觉观测重叠有限，现有解决方案难以重建此类场景。因此，为实现精确重建，需要如 LiDAR 的额外监督数据、强几何先验和长训练时间。为了解决这些局限性，我们提出了 ViiNeuS，一种新的混合隐式表面学习方法，能够高效初始化符号距离场，从2D街景图像重建大型驾驶场景。ViiNeuS 的混合架构对两个独立的隐式场进行建模：一个表示场景的体积密度，另一个表示到表面的符号距离。为了准确重建城市户外驾驶场景，我们引入了一种新颖的体绘制策略，该策略依赖于自监督概率密度估计来对表面附近的点进行采样，并从体积表示逐步过渡到表面表示。与并行方法相比，我们的解决方案允许在不依赖场景任何几何先验的情况下，对符号距离场进行正确且快速的初始化。通过在四个户外驾驶数据集上进行大量实验，我们表明 ViiNeuS 能够学习各种城市场景的准确且详细的3D表面表示，同时训练速度比以前最先进的解决方案快两倍。
引用
@article{arxiv.2403.10344,
title = {ViiNeuS: Volumetric Initialization for Implicit Neural Surface reconstruction of urban scenes with limited image overlap},
author = {Hala Djeghim and Nathan Piasco and Moussab Bennehar and Luis Roldão and Dzmitry Tsishkou and Désiré Sidibé},
journal= {arXiv preprint arXiv:2403.10344},
year = {2025}
}
备注
CVPR2025. Project page: https://hala-djeghim.github.io/ViiNeuS/