NeuS: मल्टी-व्यू पुनर्निर्माण के लिए वॉल्यूम रेंडरिंग द्वारा नयूरल इम्प्लिसिट सतहें सीखना

हम एक नवीन नयूरल सतह पुनर्निर्माण विधि प्रस्तुत करते हैं, जिसे NeuS कहा जाता है, जो 2D छवि इनपुट से उच्च निष्ठा के साथ वस्तुओं और दृश्यों का पुनर्निर्माण करता है। मौजूदा नयूरल सतह पुनर्निर्माण दृष्टिकोण, जैसे DVR और IDR, फ्रंटग्राउंड मास्क को पर्यवेक्षण के रूप में आवश्यक मानते हैं, जो स्थानीय न्यूनतम में फंस जाते हैं, और इसलिए तीव्र खुद-प्रतिबंधन या पतली संरचनाओं वाली वस्तुओं के पुनर्निर्माण में कठिनाई होती है। इस बीच, नवीन दृश्य निर्माण के लिए हाल की नयूरल विधियाँ, जैसे NeRF और इसके रूपांतर, वॉल्यूम रेंडरिंग का उपयोग करके एक नयूरल दृश्य प्रतिनिधित्व बनाती हैं जो अत्यधिक जटिल वस्तुओं के लिए भी अनुकूलन की स्थिरता प्रदान करती हैं। हालाँकि, इस सीखे गए अस्पष्ट प्रतिनिधित्व से उच्च गुणवत्ता वाली सतह निकालना कठिन है क्योंकि प्रतिनिधित्व में पर्याप्त सतह बाधाएँ मौजूद नहीं हैं। NeuS में, हम सतह को एक साइन किए गए दूरी फ़ंक्शन (SDF) के शून्य-स्तर सेट के रूप में व्यक्त करने और एक नया वॉल्यूम रेंडरिंग विधि विकसित करने का प्रस्ताव रखते हैं ताकि नयूरल SDF प्रतिनिधित्व को प्रशिक्षित किया जा सके। हमने देखा कि पारंपरिक वॉल्यूम रेंडरिंग विधि सतह पुनर्निर्माण के लिए अंतर्निहित ज्यामितीय त्रुटियाँ (यानी पूर्वाग्रह) उत्पन्न करती है, इसलिए हम एक नई सूत्रीकरण प्रस्तुत करते हैं जो पहले क्रम की समीकरण में पूर्वाग्रह मुक्त है, जिससे मास्क पर्यवेक्षण के बिना भी अधिक सटीक सतह पुनर्निर्माण होता है। DTU डेटासेट और BlendedMVS डेटासेट पर किए गए प्रयोग दिखाते हैं कि NeuS उच्च गुणवत्ता वाली सतह पुनर्निर्माण में अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है, विशेष रूप से जटिल संरचनाओं और खुद-प्रतिबंधन वाली वस्तुओं और दृश्यों के लिए।