LGSDF: 基于局部更新的连续全局有符号距离场学习
内容提要
本文介绍了一种增量式构建隐式表面表示（ESDFs）的方法，适用于微型飞行器在未知环境中的路径规划。研究提出了基于神经网络的距离场表示、半监督学习和在线重建框架等新技术，显著提高了三维对象重建的准确性和效率。实验结果表明，这些方法在复杂场景的重建中表现优异。
延伸解读
从TSDF到ESDF：增量构建的优势
文章提出从TSDF增量构建ESDF的方法，适用于微型飞行器在未知环境中的路径规划。相比直接构建ESDF，增量方式能快速、准确且实时地更新距离场，满足在线规划需求。这为资源受限的微型飞行器提供了高效的环境表示方案。
SurroundSDF：弱监督提升表面感知
SurroundSDF通过环境图像隐式预测连续SDF和语义场，并引入Sandwich Eikonal弱监督模式。该方法在nuScenes数据集上取得占用预测和3D场景重建的最优结果，表明弱监督能有效提高表面感知准确性，为自动驾驶等场景提供新思路。
GSDF：3D高斯喷洒与神经SDF的融合
GSDF双分支结构结合3D高斯喷洒的灵活高效与神经SDF的几何精度，通过相互指导和联合监督缓解各自局限。实验显示，该设计能更准确、详细地重建表面，同时使3DGS渲染受益于更一致的底层几何，为高质量重建提供新方向。
半监督元学习：实现零样本推理
文章提出半监督元学习方法，将形状先验从有标签数据迁移到无标签数据，用于重建未知对象类别。该方法在100多个未见类别上实现强大的零样本推理，显著提升了神经SDF的泛化能力，为开放世界3D重建奠定基础。
Q&A
什么是增量式构建隐式表面表示（ESDFs）的方法？
增量式构建隐式表面表示（ESDFs）的方法用于在未知环境中进行路径规划，特别适合微型飞行器操作。
SurroundSDF方法的主要特点是什么？
SurroundSDF方法通过环境图像隐式预测感知距离场和语义场，使用弱监督模式提高表面感知准确性。
GSDF结构如何提高表面重建的准确性？
GSDF结构结合3D高斯喷洒和神经符号距离场，通过相互指导和联合监督来提高表面重建的准确性。
半监督元学习方法在形状重建中有什么应用？
半监督元学习方法将形状先验从有标签数据传输到无标签数据，实现强大的零-shot推理，适用于重建未知对象类别。
DeepSDF方法的优势是什么？
DeepSDF方法学习连续有符号距离函数，显著降低模型大小并提升3D形状表示和完成的性能。
AiSDF框架在室内场景重建中有什么特点？
AiSDF框架在室内场景中进行在线SDF重建，增强场景细节并保持高层结构。
