学习局部形状函数的无符号距离场用于三维表面重建
内容提要
本研究提出了一种通过学习无符号距离函数（UDF）进行表面重建的新方法，并结合多边形化算法提取表面。实验结果表明，该方法在合成和真实数据的重建中优于现有技术。此外，研究还介绍了SuperUDF和DEUDF等改进方法，增强了对稀疏采样的鲁棒性和重建精度。
延伸解读
UDF 方法的核心优势
无符号距离函数（UDF）仅关注点到最近表面的距离，不区分内外，因此能自然处理开放曲面和非封闭形状。相比传统符号距离函数（SDF），UDF 避免了内外判断的歧义，更适合从原始点云直接重建表面。本文提出的方法利用 UDF 的梯度场进行多边形化，无需插值误差，为复杂拓扑重建提供了新思路。
SuperUDF 的鲁棒性改进
SuperUDF 是一种自监督 UDF 学习方法，其核心思想受局部最优投影（LOP）启发：若 UDF 估计正确，3D 点应沿梯度投影到表面。该方法引入几何先验和新型正则化损失，显著提升了对稀疏采样的鲁棒性，并贡献了基于学习的网格提取方法。在多个公共数据集上，SuperUDF 在质量和效率上均优于现有技术。
DEUDF 的细节增强策略
DEUDF 通过集成法线对齐和 SIREN 网络来捕获精细几何细节，并采用自适应加权的等距约束解决目标表面附近梯度消失的问题。基于 MLP 的 UDF 表示放宽了非负约束，配合非常量等值面提取方法，稳定了从未定向点云的学习过程。计算结果表明，DEUDF 在准确性和重建曲面质量上优于现有 UDF 学习方法。
多视图与语义重建的扩展
nEudf 框架仅通过多视图监督即可重建任意拓扑表面，在开放边界物体上表现卓越。RangeUDF 则从点云恢复连续 3D 场景的几何和语义，通过表面导向的语义分割模块和范围感知的带符号距离函数，实现连续表面的语义建模。这些扩展表明 UDF 思想可融入更广泛的神经渲染和场景理解任务。
Q&A
什么是无符号距离函数（UDF）在表面重建中的作用？
无符号距离函数（UDF）用于从原始点云直接学习一致性感知的表面重建，能够有效提取表面特征。
SuperUDF和DEUDF有什么区别？
SuperUDF是一种自监督的UDF学习方法，强调几何先验的利用；而DEUDF通过集成法线对齐和SIREN网络来捕获细节，提升UDF的准确性。
该研究如何提高对稀疏采样的鲁棒性？
研究通过提出新颖的正则化损失和基于学习的网格提取方法来增强对稀疏采样的鲁棒性。
nEudf框架的主要优势是什么？
nEudf框架通过多视图监督重建具有任意拓扑结构的表面，表现优于现有的多视图表面重建方法，尤其在复杂形状和开放边界物体的重建中。
RangeUDF框架的功能是什么？
RangeUDF框架使用隐式表示方法从点云中恢复连续3D场景表面的几何和语义，显著优于现有方法。
实验结果如何证明该方法的有效性？
实验结果显示，该方法在合成和真实数据的表面重建中明显优于现有技术，验证了其有效性。
