摘要

针对当前三维场景隐式重建方法存在高频几何细节信息不敏感、编码存储占用高、非表面监督数据依赖程度高等问题，提出一种基于几何复杂度编码的3D场景隐式重建方法。该方法融合了Eikonal正则化约束和基于几何复杂度编码的策略，编码策略通过表面曲率以及查询点与编码点之间的距离权重，从而获取聚焦于几何复杂区域的编码信息，这使得网络能够更好地关注细节部分。结合Eikonal正则化约束，符号距离场的整体结构得到进一步优化，使得模型能够在保持全局一致性的同时，精确捕捉局部几何特征。该方法避免了复杂的非表面监督数据构建，实现局部几何细节特征保留的高精细三维场景重建，同时缓解编码存储占用随重建精细度增加问题。在Thingi32数据集和Stanford数据集上的实验结果显示，本文方法在多项关键指标上均优于现有经典方法，展示了本文方法在3D场景隐式重建方面的有效性。

引用

贺超远，王庆栋，艾海滨，等． 基于几何复杂度编码的 ３Ｄ 场景隐式重建方法 ［Ｊ］． 测绘科学，２０２５，５０（７）：３７-５０.

引言

当前，三维重建领域的研究主要集中在传统显式表示方法上，这些方法已广泛应用于工业领域。INRs作为一种新兴的三维重建方法，凭借其优势引起了广泛的研究关注。它不仅能够突破传统分辨率的限制，还支持自适应细节构建，可以根据需要给不同任务提供不同级别的细节。此外，INRs在下游应用上表现出色，尤其在光线追踪和碰撞检测等应用领域，展现出了卓越的适用性和效率。这些特点使得INRs在学术界和工业界都成为研究的热点。在当前的研究领域中，符号距离场（signed distance field，SDF）作为隐式神经表示的一种经典形式，在三维场景重建中得到了广泛的应用。DeepSDF[28]提出一种尝试直接学习连续且可泛化的3D生成模型的方法，通过自动解码器来学习3D形状，能够生成具有复杂拓扑结构的高质量连续表面；然而，该方法依赖于可学习的全局形状编码，容易在训练数据集上出现过拟合，对数据集之外的形状表现较差。

基于全局编码的方法在捕捉物体整体结构方面表现出色，但在具有复杂结构的局部区域，全局编码方法会忽略局部高频几何细节，从而影响细节表现和重建精度。为应对这一挑战，近年来的相关研究逐步转向基于局部编码的隐式神经表达方法，以提高对复杂区域细节的捕捉能力和重建精度。与基于全局编码方法相比，基于局部编码的三维场景隐式重建方法能够在细节特征方面有所改善，但也存在局限性：现有局部编码方法与场景表面复杂度无关，编码点均匀分布，在高曲率或细节区域则存在因编码不足而无法充分捕捉细节，而在结构简单区域存在冗余编码，占用计算资源，增加训练难度，这使得在细节捕捉与计算资源分配之间难以实现有效平衡。此外，现有局部编码方法依赖于构建具备符号距离的离散非表面稠密采样点作为监督数据，增加了额外工作量。

本文提出一种基于几何复杂度编码的3D场景隐式重建方法。该方法基于局部表面点曲率合理分布稀疏编码点，结合Eikonal正则化约束实现对3D场景精细化隐式重建，并通过选取的代表性数据集进行测试，验证了方法的有效性和优势。

主要图表

图1 基于几何复杂度编码的隐式三维重建框架

图2 编码策略

图3 NSDF网络架构

图4 Thingi32数据集中mushroom模型的重建结果对比

图5 Thingi32数据集中gothic fountain模型的重建结果对比

图6 Thingi32数据集中fisherman模型的重建结果对比

图7 Thingi32数据集中fire模型的重建结果对比

图8 Stanford数据集中armadillo模型的重建结果对比

图9 Stanford数据集中dragon模型的重建结果对比

图10 Stanford数据集中lucy模型的重建结果对比

图12 编码点分布与重建可视化

结束语

针对现有三维场景显式三维重建方法存在的问题，本研究聚焦于基于隐式神经表达的三维场景隐式重建技术，并且针对现有隐式重建技术高频几何信息不敏感、过度依赖非表面监督数据、局部编码过度占用内存等问题，提出一种基于几何复杂度编码的3D场景隐式神经表示方法。该方法巧妙地融合了Eikonal正则化约束与几何复杂度驱动的稀疏编码策略，不仅避免了监督真值数据繁琐的构建过程，而且在几何细节重建方面实现了显著提升，同时降低了编码点占用内存问题。本文的研究通过多组实验验证了所提编码策略的有效性，特别是在复杂形状区域的重建结果上，相较于未引入编码机制的模型，展现了本文所提编码方法的优越性。

尽管本研究提出的方法在场景重建中表现出了优异的性能，但受限于现有符号距离场仅适用于水密表面模型的限制，本文方法不能很好地适用于具有开口或缺失部分的开放曲面场景，拟合过程可能会导致重建误差，难以恢复原始场景的开放结构特征。为了克服这一局限性，本计划后续研究将探索符号距离场与无符号距离场结合的方案。通过符号距离场进行高精度重建，同时利用无符号距离场辅助判别和处理开放区域。这种结合方法有望在保持高精度重建的同时，提升对开放区域和复杂边界的处理能力，从而进一步完善本方法在更多应用场景中的适用性。

来源：测绘学术资讯