基于梯度插值的VoxNeuS：提升基于体素的神经表面重建
计算机视觉与模式识别
2024-06-12 v1
摘要
神经表面重建学习符号距离场（SDF）以从多视图图像重建3D模型。以前的方法采用基于体素的显式表示以提高效率，但忽略了体素网格中梯度插值不稳定性，导致收敛性和平滑性下降。此外，先前方法将几何和辐射的优化 entangled，导致几何为解释辐射而产生变形，造成带纹理平面的重建伪影。本文揭示了梯度不稳定性源于在三线性插值期间的梯度断裂，提出使用插值梯度而非原始解析梯度以消除断裂。基于梯度插值，我们提出 VoxNeuS，一种用于计算和内存高效神经表面重建的轻量级方法。由于显式表示，正则化项（如Eikonal 和曲率损失）的梯度可直接求解，避免计算和内存访问开销。进一步地，VoxNeuS 采用几何-辐射解耦架构处理由辐射优化引起的几何变形。实验结果表明，VoxNeuS 在重建质量上优于先前方法。整个训练过程仅需15分钟，且在单张 NVIDIA RTX 2080Ti GPU 上占用不足3 GB 内存。
引用
@article{arxiv.2406.07170,
title = {VoxNeuS: Enhancing Voxel-Based Neural Surface Reconstruction via Gradient Interpolation},
author = {Sidun Liu and Peng Qiao and Zongxin Ye and Wenyu Li and Yong Dou},
journal= {arXiv preprint arXiv:2406.07170},
year = {2024}
}