统计边缘检测与形状表示的 UDF 学习
内容提要
本文介绍了多种基于无符号距离函数（UDF）和神经网络的表面重建方法，如NeuralUDF、nEudf和SuperUDF。这些方法通过学习几何先验和正则化技术，显著提升了复杂形状和开放边界物体的重建质量与效率。实验结果显示，这些新方法在多个数据集上优于现有技术，推动了3D表面重建的发展。
延伸解读
UDF 为何适合开放表面重建
与有符号距离函数（SDF）不同，无符号距离函数（UDF）只关心点到最近表面的距离，不区分内外。因此，对于开放边界、非封闭或具有复杂内部结构的物体，UDF 能避免符号歧义，更自然地表示任意拓扑。本文介绍的 NeuralUDF、nEudf、SuperUDF 等方法正是利用这一特性，在重建开放曲面时取得了优于传统方法的效果。
自监督与几何先验如何提升效率
SuperUDF 的核心是自监督学习，它利用局部最优投影（LOP）的思想设计归纳偏差：如果 UDF 估计正确，点应沿梯度方向投影到表面。基于此，方法无需大量标注数据，仅通过几何先验和正则化就能高效训练，并增强对稀疏采样的鲁棒性。这为点云稀疏场景下的表面重建提供了实用思路。
从多视图到点云：不同输入下的方法选择
文章涵盖多种输入形式：NeuralUDF 和 nEudf 从 2D 图像或多视图重建表面，适合只有图像数据的场景；而 SuperUDF、CSP 等方法直接处理原始点云，更适合已有扫描点云的情况。选择方法时需考虑输入数据类型、是否开放表面以及是否需要实时渲染等因素，不同方法在效率与精度上各有侧重。
神经隐式表示的演进与局限
从 DeepSDF 到 NVF、CSP，神经隐式表示在模型大小、拓扑适应性和重建质量上不断进步。DeepSDF 将模型缩小一个数量级，NVF 通过向量场打破分辨率和拓扑限制，CSP 则能处理任意拓扑并支持球追踪渲染。但文章也指出，这些方法多依赖合成或扫描数据集验证，实际部署时需关注泛化能力和计算开销。
Q&A
NeuralUDF 方法的主要功能是什么？
NeuralUDF 方法通过体绘制从 2D 图像重建任意拓扑表面，成功实现复杂形态的非封闭形状高质量重建。
nEudf 与传统多视图表面重建方法相比有什么优势？
nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越，优于已有的多视图表面重建方法。
SuperUDF 是如何提高稀疏采样的鲁棒性的？
SuperUDF 采用新颖的正则化方法来提高对稀疏采样的鲁棒性，并利用学习的几何先验进行高效训练。
神经距离场模型的应用是什么？
神经距离场模型用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现面法线计算和渲染。
学习超博定标度无符号距离场的方法有什么优势？
该方法提高了开放表面表示的精度和训练性能，并能准确计算法线方向等基本拓扑特性。
DeepSDF 方法的主要贡献是什么？
DeepSDF 方法降低了模型大小，同时获得了学习 3D 形状表示和完成方面的最先进性能。
