HF-NeuS : Reconstruction de surface améliorée utilisant des détails haute fréquence

Le rendu neural peut être utilisé pour reconstruire des représentations implicites de formes sans supervision 3D. Cependant, les méthodes actuelles de reconstruction de surface neurale ont des difficultés à apprendre les détails de géométrie haute fréquence, de sorte que les formes reconstruites sont souvent trop lissées. Nous développons HF-NeuS, une méthode novatrice pour améliorer la qualité de la reconstruction de surface dans le rendu neural. Nous suivons les travaux récents pour modéliser les surfaces comme des fonctions de distance signée (SDF). Tout d'abord, nous proposons une dérivation pour analyser la relation entre la SDF, la densité de volume, la fonction de transparence, et la fonction de pondération utilisée dans l'équation de rendu volumique et proposons de modéliser la transparence comme une SDF transformée. Deuxièmement, nous observons qu'essayer d'encoder simultanément des composants haute fréquence et basse fréquence dans une seule SDF conduit à une optimisation instable. Nous proposons de décomposer la SDF en une fonction de base et une fonction de déplacement avec une stratégie grossière à fine pour augmenter progressivement les détails haute fréquence. Enfin, nous concevons une stratégie d'optimisation adaptative qui fait en sorte que le processus d'entraînement se concentre sur l'amélioration de ces régions près de la surface où les SDF présentent des artefacts. Nos résultats qualitatifs et quantitatifs montrent que notre méthode peut reconstruire des détails de surface fins et obtenir une meilleure qualité de reconstruction de surface que l'état de l'art actuel. Le code est disponible à https://github.com/yiqun-wang/HFS.