HF-NeuS: Verbesserte Oberflächenrekonstruktion mit Hochfrequenzdetails

Neuronales Rendering kann verwendet werden, um implizite Darstellungen von Formen ohne 3D-Überwachung zu rekonstruieren. Allerdings haben aktuelle Methoden zur neuronalen Oberflächenrekonstruktion Schwierigkeiten, hochfrequente Geometriedetails zu erlernen, sodass die rekonstruierten Formen oft überglättet sind. Wir entwickeln HF-NeuS, eine neuartige Methode zur Verbesserung der Qualität der Oberflächenrekonstruktion im neuronalen Rendering. Wir folgen aktuellen Arbeiten, um Oberflächen als signierte Distanzfunktionen (SDFs) zu modellieren. Zunächst bieten wir eine Ableitung an, um die Beziehung zwischen der SDF, der Volumendichte, der Transparenzfunktion und der Gewichtungsfunktion, die in der Volumenrendering-Gleichung verwendet wird, zu analysieren und schlagen vor, die Transparenz als transformierte SDF zu modellieren. Zweitens beobachten wir, dass der Versuch, hochfrequente und niederfrequente Komponenten in einer einzigen SDF gemeinsam zu codieren, zu instabilen Optimierungen führt. Wir schlagen vor, die SDF in eine Basisfunktion und eine Verschiebungsfunktion mit einer Grob-zu-fein-Strategie zu zerlegen, um die hochfrequenten Details schrittweise zu erhöhen. Schließlich entwerfen wir eine adaptive Optimierungsstrategie, die den Trainingsprozess darauf konzentriert, jene Regionen nahe der Oberfläche zu verbessern, in denen die SDFs Artefakte aufweisen. Unsere qualitativen und quantitativen Ergebnisse zeigen, dass unsere Methode feingliedrige Oberflächendetails rekonstruiert und eine bessere Oberflächenrekonstruktionsqualität erreicht als der aktuelle Stand der Technik. Code verfügbar unter https://github.com/yiqun-wang/HFS.