针对高亮物体的高效神经隐式表面重建

神经隐式表面(Neural Implicit Surface)一直是近年来计算机视觉的热门研究方向。许多工作通过扩展神经辐射场的体渲染管线实现了从二维图像和相机位姿作为输入,在无需三维监督信息下重建高质量三维物体形状。但是,由于利用二维图像进行训练监督,这些方法难以对高亮物体的形状进行合理的推理,其原因是因为物体材质和环境光照所产生的模糊性。本文提出一种针对高亮物体的高效表面重建方法,通过权重插值辐射场(Radiance Field)与反射场(Reflection Field)的方式使得可以更好地表达高亮物体的外观。同时,本文引入了一种渲染损失的方法来缓解高光反射带来的多视角不一致问题,并且引入了两种针对物体法向量的正则化来缓解混合神经场梯度噪声的问题。本工作通过渐进式的训练范式分别对三种数据集进行了实验,实验表明,本方法在多视角合成和高亮物体表面重建任务上都超越了基准模型,并且在训练速度上比基准模型快一个量级。

高效采样的神经隐式表面重建研究

近几年,神经隐式表面在三维表达上展现出了巨大的潜力。许多先前工作扩展神经辐射场(Neural Radiance Field, NeRF)的训练管线,通过在光线上采样点,然后建模出一种概率分布与隐式曲面建立联系,从而可以使得隐式曲面拟合。然而,这些工作要么需要过长的训练时间,要么需要在特定的加速结构下处理较多的采样点。本文工作,提出联合占据栅格(Occupancy Grid)和一种非线性函数来指导采样的策略,使得可以实现在合理的时间内,处理较少的采样点并达到较好的物体表面重建效果。同时,这里引入了渐进式训练方式使得模型拟合更加鲁棒。通过在真实数据集和合成数据集的实验表明,我们的方法在物体表面恢复任务上能取得较好的效果,并且在新视角合成任务上也能取得出色的表现。