PSDF: 基于先验的神经隐式表面学习用于多视图重建
内容提要
该文综述神经隐式表面重建进展，涵盖NeuS、快速多视角重建、多视角光度立体、几何一致重建、无蒙版表面重建、MVS与NIS结合、NoPose-NeuS及点引导等方法，实现高保真三维重建。
延伸解读
技术演进脉络
文章梳理了神经隐式表面重建从2021年到2023年的发展，涵盖NeuS、快速重建、多视角光度立体、几何一致重建等方法。这些工作逐步解决了重建速度、几何一致性、无蒙版重建等挑战，体现了该领域从基础表示到多任务联合优化的演进趋势。
关键方法对比
不同方法各有侧重：NeuS提出基于SDF的体渲染；快速方法借助哈希编码将重建时间缩短至约3分钟；MVPS同时估算几何、材料和光源；NoPose-NeuS则联合优化相机位姿与几何，在DTU数据集上平均Chamfer距离为0.89。这些差异反映了应用场景的多样性。
实际应用考量
对于实际应用，重建速度、是否需要相机位姿或蒙版、对噪声和稀疏数据的鲁棒性都是重要因素。例如，快速方法适合时间敏感场景，NoPose-NeuS适用于位姿未知的情况，而点引导机制则对噪声和稀疏数据鲁棒。读者可根据需求选择合适方法。
Q&A
NeuS 方法的核心思想是什么？
NeuS 将表面表示为带符号距离函数（SDF）的零水平集，并开发了一种新的体积渲染方法来训练神经 SDF 表示，从而自主进行高保真度的物体和场景三维重建。
有哪些方法可以快速进行多视角神经表面重建？
通过引入基于先验的残差学习范式以及哈希编码网络，提出了一种快速多视角神经表面重建方法，实验结果表明仅需约 3 分钟即可重建单个场景的表面，同时保持了竞争性的表面质量。
多视角光度立体（MVPS）方法能同时估算哪些属性？
基于神经反演渲染的多视角光度立体（MVPS）方法能够同时估算几何形状、材料和光源，并且在人工渲染、再照明和材质编辑方面具有较高的精度。
如何实现无需输入蒙版的准确表面重建？
通过统一的方式制定表面和体渲染，从而使得无需任何输入蒙版即可实现准确表面重建，并通过实验证明其能够在各方面都优于 NeRF 方法并与 IDR 方法相媲美。
NoPose-NeuS 方法如何联合优化相机姿势和场景表面？
NoPose-NeuS 将 NeuS 扩展到联合优化相机姿势、几何和颜色网络，通过将相机姿势编码为多层感知器（MLP）并引入多视图特征一致性和渲染深度损失，约束学习到的几何来获得更好的相机姿势和场景表面估计。在 DTU 数据集上，平均 Chamfer 距离为 0.89。
点引导机制在多视图重建中有什么优势？
利用点引导机制实现精确和高效的多视图重建，通过优化神经投影模块和隐式表面表示，提高面向细节和光滑区域的高质量曲面重建，并且对噪声和稀疏数据具有很强的鲁棒性。
