NeUDF: 基于体渲染的学习神经无符号距离场

​

NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering

解决问题：论文旨在解决现有基于有符号距离函数（SDF）的神经渲染方法无法重建包含开放表面结构的真实世界物体的问题，提出了一种新的神经渲染框架NeUDF，可仅通过多视图监督来重建具有任意拓扑结构的表面。

关键思路：NeUDF利用无符号距离函数（UDF）作为表面表示，通过提出两种新的权重函数公式来适应UDF的体渲染，并提出了一种专门用于解决表面方向歧义的法向量规则化策略。

其他亮点：论文在DTU、MGN和Deep Fashion 3D等数据集上进行了广泛评估，实验结果表明，NeUDF在多视图表面重建任务中表现显著优于现有的最先进方法，尤其是对于具有开放边界的复杂形状。

关于作者：主要作者包括刘宇涛、王莉、杨杰、陈伟凯、孟晓旭、杨波、高林，他们分别来自中国科学院自动化研究所、北京大学、清华大学、上海科技大学和华中科技大学。他们之前的代表作包括“DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation”和“Occupancy Networks: Learning 3D Reconstruction in Function Space”。

相关研究：近期其他相关的研究包括“DeepSDF+ : Fast Predictive Rendering of Signed Distance Fields for Improved 3D Modeling”（作者：N. J. Mitra等，机构：University College London）、“NeRF in the Wild: Neural Radiance Fields for Unconstrained Photo Collections”（作者：R. Aittala等，机构：Aalto University）和“Neural Sparse Voxel Fields”（作者：B. Graham等，机构：Facebook AI Research）。

论文摘要：本文介绍了一种新的神经渲染框架NeUDF，可以仅凭多视角监督来重建具有任意拓扑结构的表面。为了获得表示任意表面的灵活性，NeUDF利用了无符号距离函数（UDF）作为表面表示。为了解决UDF的体积渲染问题，本文提出了两种新的权重函数公式。此外，为了处理开放表面渲染，本文提出了一种专门的法向量正则化策略，以解决表面方向的歧义。本文在多个具有挑战性的数据集上进行了广泛的评估，包括DTU，MGN和Deep Fashion 3D。实验结果表明，NeUDF在多视角表面重建任务中表现显著优于现有的最先进方法，特别是对于具有开放边界的复杂形状。

​Read More