从多视角图像中学习无符号距离函数与体渲染先验
内容提要
本文介绍了多种神经渲染方法用于3D表面重建，包括NeuralUDF、nEudf和DEUDF等。这些方法通过无符号距离函数和多视图监督，成功重建复杂形状，提升了精度和鲁棒性，尤其在处理开放边界和噪声点云时表现优越。实验结果显示，这些新方法在多项基准测试中超越了现有技术。
延伸解读
无符号距离函数为何受关注
传统有符号距离函数（SDF）要求表面封闭，难以表示开放或非封闭形状。无符号距离函数（UDF）只关心点到表面的绝对距离，不区分内外，因此能自然处理开放边界、任意拓扑结构。本文汇总的NeuralUDF、nEudf等方法正是利用这一特性，从多视角图像或点云中重建复杂形态，突破了SDF的局限。
多视角监督与体渲染的融合
多视角图像提供丰富的2D监督信号，但深度不完整和遮挡是常见问题。本文提到的方法通过体渲染和深度融合先验，将多视角RGBD图像学习为神经隐式表示，并利用截断有符号距离函数（TSDF）融合深度信息，从而在几何推断中补全缺失结构，提升重建的完整性和准确性。
从点云直接学习的鲁棒性进展
针对原始点云常含噪声和异常值的问题，LoSF-UDF利用局部形状函数学习UDF，无需针对特定形状训练，增强了鲁棒性；DEUDF则通过法线对齐、SIREN网络和自适应加权等策略，稳定了从未定向点云中学习的过程。这些进展表明，UDF学习正朝着更适应真实扫描数据的方向发展。
表面提取与下游应用
UDF表示的非封闭曲面需要转换为显式网格才能用于渲染或下游任务。本文介绍了扩展的Marching Cubes算法，能够快速准确地将UDF转换为网格，且表面提取过程可微分，适用于稀疏数据训练。此外，AnchorUDF在单视图3D服装重建中表现出色，展示了UDF在开放表面建模和拓扑控制方面的应用潜力。
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 方法在重建开放边界物体时有什么优势？
nEudf 方法仅通过多视图监督重建表面，在处理开放边界物体时表现卓越，超越了已有的多视图表面重建方法。
LoSF-UDF 框架如何增强对点云的鲁棒性？
LoSF-UDF 框架利用局部形状函数学习无符号距离场，增强了对点云中噪声和异常值的鲁棒性。
DEUDF 方法是如何提高 UDF 的准确性的？
DEUDF 方法通过集成法线对齐和 SIREN 网络捕获细致几何细节，显著提高了 UDF 的准确性和重建曲面质量。
如何从原始点云学习一致性感知无符号距离函数？
研究提出了一种新方法，从原始点云直接学习一致性感知无符号距离函数，以进行表面重建，并引入多边形化算法提取表面。
AnchorUDF 方法在 3D 服装建模中有什么应用？
AnchorUDF 方法在单个图像中使用可学习的无符号距离函数表示 3D 服装模型，实现开放服装表面建模和更好的控制拓扑结构。
