NeUDF: Learning Unsigned Distance Fields from Multi-view Images for Reconstructing Non-watertight Models

要約

多視点画像からのボリューム レンダリング ベースの 3D 再構成は、主にニューラル ラディアンス フィールド (NeRF) の成功により、近年人気を博しています。
NeRF に基づいて構築され、ニューラル ボリューム レンダリングを使用して 3D モデルを再構築するための符号付き距離場 (SDF) を学習する多くの方法が開発されています。
ただし、SDF ベースの方法は非防水モデルを表すことができないため、開いた境界を捉えることができません。
この論文では、多視点画像から正確な符号なし距離場 (UDF) を学習するための新しいアルゴリズムを提案します。このアルゴリズムは、非透水性でテクスチャのないモデルを再構築するために特別に設計されています。
NeUDF と呼ばれる提案された方法は、単純でほぼバイアスがなく、オクルージョンを認識する密度関数を導入することにより、既存の UDF ベースの方法の制限に対処します。
さらに、学習プロセスをより簡単かつ効率的にするために、滑らかで微分可能な UDF 表現が提示されます。
テクスチャが豊富なモデルとテクスチャのないモデルの両方での実験は、提案されたアプローチの堅牢性と有効性を示しており、マルチビュー画像から困難な 3D モデルを再構築するための有望なソリューションとなっています。

要約(オリジナル)

Volume rendering-based 3D reconstruction from multi-view images has gained popularity in recent years, largely due to the success of neural radiance fields (NeRF). A number of methods have been developed that build upon NeRF and use neural volume rendering to learn signed distance fields (SDFs) for reconstructing 3D models. However, SDF-based methods cannot represent non-watertight models and, therefore, cannot capture open boundaries. This paper proposes a new algorithm for learning an accurate unsigned distance field (UDF) from multi-view images, which is specifically designed for reconstructing non-watertight, textureless models. The proposed method, called NeUDF, addresses the limitations of existing UDF-based methods by introducing a simple and approximately unbiased and occlusion-aware density function. In addition, a smooth and differentiable UDF representation is presented to make the learning process easier and more efficient. Experiments on both texture-rich and textureless models demonstrate the robustness and effectiveness of the proposed approach, making it a promising solution for reconstructing challenging 3D models from multi-view images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google