VRP-UDF：基于体积渲染先验学习无偏无符号距离函数的多视图图像

无符号距离函数(UDFs)是开放表面的重要表示方法。通过不同的可微分渲染器，当前方法能够最小化UDF与多视图真实值的渲染误差，以训练神经网络推断UDF。然而，这些可微分渲染器主要是手工设计的，导致它们要么对射线-表面相交不敏感，要么对无符号距离异常值敏感，要么无法扩展到大场景。为解决这些问题，我们提出一种新型可微分渲染器，以更准确的方式推断UDFs。不采用手工方程，而是采用预训练于数据驱动方式的神经网络，可学习如何将无符号距离渲染为深度图像，形成一种称为体积渲染先验的先验知识。要从多个RGB图像推断未知场景的UDF，我们将所学的体积渲染先验推广为将推断的无符号距离在alpha混合中映射到RGB图像渲染。为减少UDF推断中抽样的偏差，我们利用一种作为射线-表面相交指示器的辅助点抽样先验，提出新方案以实现对零等位集合附近更准确和更均匀的抽样。我们还提出一种新策略，利用预训练的体积渲染先验作为通用表面细化器，可集成到各种高斯重建方法中，以优化高斯分布并细化几何细节。我们的结果表明，所学的体积渲染先验是无偏的、稳健的、可扩展的、具有3D感知性，而且最重要的是易于学习。进一步的实验表明，体积渲染先验也是提升其他神经隐式表示（如有符号距离函数和占据网格）的通用策略。