通过噪声映射从噪声点云快速学习带符号距离函数

从点云学习带符号距离函数（SDF）是在3D计算机视觉中的一项重要任务。然而，在没有真实的带符号距离、点法线或干净点云的情况下，当前的方法仍然在从噪声点云学习SDF时遇到困难。为克服这一挑战，我们提出通过噪声到噪声的映射来学习SDF，这不需要任何干净点云或真实监督。我们的创新在于噪声到噪声的映射，可以从多个甚至单一的噪声观测中推导出单个对象或场景的高度准确的SDF。我们通过一种新颖的损失函数实现这一点，该函数使得能够对点云进行统计推理，并保持几何一致性，尽管点云是不规则的、无序的且在噪声观测中没有点对应关系。为了加速训练，我们在我们的框架中使用了在CUDA中实现的多分辨率哈希编码，将训练时间缩短了十倍，在一分钟内实现收敛。我们进一步引入了一种新方案，通过将SDF作为先验来改善多视图重建。我们在广泛使用的基准测试下的评估展示了我们在点云或多视图图像的表面重建、点云去噪和上采样方面的优越性，超过了当前最先进的方法。