可扩展和高质量的神经隐含表示用于3D重建.

科学领域:

• 计算机视觉 计算机视觉
• 计算机图形 计算机图形
• 机器学习 机器学习

背景情况:

• 神经隐含表示,特别是签名距离函数 (SDF),显示出对3D表面重建的希望.
• 由于单一网络的限制,现有的基于SDF的全球方法在准确性和可扩展性方面面临限制.

研究的目的:

• 开发一种多功能,可扩展和高质量的神经隐性表示,用于3D表面重建.
• 在准确性和规模方面克服现有的全球方法的局限性.

主要方法:

• 通过将对象/场景建模为多个局部神经SDF与重叠区域的融合,提出了分裂与征服的方法.
• 关键步骤包括: (1) 确定当地的现场分布和重叠, (2) 记录当地的SDF的相对位置,以及 (3) SDF混合.
• 杆式对象结构或数据分布用于本地现场构建.

主要成果:

• 通过独立的当地地区代表,实现了高保真地表重建.
• 启用了可扩展的场景重建,解决了以前全球方法的局限性.
• 实验结果验证了该方法的有效性和实用性.

结论:

• 拟议的局部神经SDF的融合为准确和可扩展的3D重建提供了一个强大的解决方案.
• 这种方法增强了神经隐含表面的建模能力.
• 在复杂的3D场景重建任务中证明了实际适用性.