ND-SDF：用于高保真室内重建的法向偏移场学习
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了神经隐式重建中难以同时恢复复杂几何形状与保持光滑性的挑战。提出的ND-SDF方法通过学习法向偏移场，根据样本特性动态调整几何先验的使用，显著提高了模型的准确性与效果。实验结果表明，该方法在各种复杂数据集上表现优越，能够更好地重建薄结构的细致表面。
本文介绍了一种新颖的神经隐式建模方法，通过多种正则化策略实现了大型室内环境的更好重建。该方法利用深度先验锚定场景到初始模型，并引入了密集的深度先验来改善几何建模。同时，还提出了自监督策略规范表面法线估计，并引入可学习的曝光补偿方案适应光照条件。实验结果表明，该方法在具有挑战性的室内场景中产生了最先进的3D重建结果。
