ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction

要約

ボリュームレンダリングを介した神経暗黙の再構築により、高密度の3D表面の回復における有効性が実証されています。
ただし、特性が異なる地域全体で同時に綿密なジオメトリを回復し、滑らかさを維持することは自明ではありません。
この問題に対処するために、以前の方法は通常、以前のモデルのパフォーマンスによって制約されることが多い幾何学的なプライアーを採用しています。
この論文では、ND-SDFを提案します。ND-SDFは、正常な偏向フィールドを学習し、シーン正常と以前の通常の角偏差を表すことを学習します。
すべてのサンプルに幾何学的事前に均一に適用される以前の方法とは異なり、精度の重要なバイアスを導入すると、提案されている通常のたわみフィールドは、特定の特性に基づいてサンプルの利用を動的に学習および適応させ、それによってモデルの精度と有効性の両方を改善します。
私たちの方法は、壁や床などの滑らかな弱いテクスチャーの領域を取得するだけでなく、複雑な構造の幾何学的な詳細を保存します。
さらに、偏向角度に基づいて新しい光線サンプリング戦略を導入して、特に薄い構造で複雑な表面の品質と精度を大幅に改善する偏りのないレンダリングプロセスを促進します。
さまざまな挑戦的なデータセットの一貫した改善は、私たちの方法の優位性を示しています。

要約(オリジナル)

Neural implicit reconstruction via volume rendering has demonstrated its effectiveness in recovering dense 3D surfaces. However, it is non-trivial to simultaneously recover meticulous geometry and preserve smoothness across regions with differing characteristics. To address this issue, previous methods typically employ geometric priors, which are often constrained by the performance of the prior models. In this paper, we propose ND-SDF, which learns a Normal Deflection field to represent the angular deviation between the scene normal and the prior normal. Unlike previous methods that uniformly apply geometric priors on all samples, introducing significant bias in accuracy, our proposed normal deflection field dynamically learns and adapts the utilization of samples based on their specific characteristics, thereby improving both the accuracy and effectiveness of the model. Our method not only obtains smooth weakly textured regions such as walls and floors but also preserves the geometric details of complex structures. In addition, we introduce a novel ray sampling strategy based on the deflection angle to facilitate the unbiased rendering process, which significantly improves the quality and accuracy of intricate surfaces, especially on thin structures. Consistent improvements on various challenging datasets demonstrate the superiority of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google