Voxurf：基于体素的高效精确神经表面重建
计算机视觉与模式识别
2023-08-15 v5
摘要
神经表面重建旨在基于多视图图像重建精确的 3D 表面。先前基于神经体积渲染的方法大多训练由 MLP 构成的完全隐式模型，通常单个场景需数小时训练。近期研究探索显式体素表示，通过学习型体素网格记忆重要信息来加速优化。然而，现有基于体素的方法即使在结合基于 SDF 的体积渲染方案时，也常在重建细粒度几何上表现不佳。我们揭示这是因为 1）体素网格倾向于破坏有助于细几何学习的颜色-几何依赖，以及 2）欠约束的体素网格缺乏空间相干性且易陷于局部极小。本工作中，我们提出 Voxurf，一种既高效又精确的基于体素的表面重建方法。Voxurf 通过若干关键设计解决上述问题：1）两阶段训练流程，依次获得相干粗形状并恢复细节；2）双颜色网络以维持颜色-几何依赖；3）分层几何特征以促进体素间信息传播。大量实验表明 Voxurf 同时实现高效率与高质量。在 DTU 基准上，与先前完全隐式方法相比，Voxurf 以 20 倍训练加速取得更高重建质量。我们的代码见 https://github.com/wutong16/Voxurf。
引用
@article{arxiv.2208.12697,
title = {Voxurf: Voxel-based Efficient and Accurate Neural Surface Reconstruction},
author = {Tong Wu and Jiaqi Wang and Xingang Pan and Xudong Xu and Christian Theobalt and Ziwei Liu and Dahua Lin},
journal= {arXiv preprint arXiv:2208.12697},
year = {2023}
}
备注
ICLR 2023 Spotlight. Our code is available at https://github.com/wutong16/Voxurf