Details Enhancement in Unsigned Distance Field Learning for High-fidelity 3D Surface Reconstruction

虽然有符号距离场（Signed Distance Fields，SDF）已经被广泛应用于建模封闭表面，但无符号距离场（Unsigned Distance Fields，UDF）可以用于开放表面和具有复杂内部结构的模型。尽管具有灵活性，但UDF在高保真3D重建方面仍面临重大挑战，例如在零级集处的非可微性、难以达到精确的零值、众多局部极小值、梯度消失以及零级集附近梯度方向振荡等。为了解决这些问题，我们提出了增强细节的UDF（Details Enhanced UDF，DEUDF）学习方法，它结合了法向量对齐和SIREN网络以捕捉精细的几何细节，自适应加权Eikonal约束以解决目标表面附近梯度消失的问题，基于无条件MLP的UDF表示以放宽非负性约束，并使用UDF定制方法提取非常量等值面。这些策略共同稳定了从未定向点云中的学习过程，并提高了UDF的精度。我们的计算结果表明，DEUDF在精度和重建表面质量方面优于现有的UDF学习方法。我们将公开源代码。

解决问题：论文试图解决高保真度三维重建中Unsigned Distance Fields（UDF）所遇到的挑战，如非可微性、精度问题、梯度消失等，同时提高UDF的准确性。

关键思路：通过Details Enhanced UDF（DEUDF）学习，结合SIREN网络、自适应加权Eikonal约束、非负约束松弛的MLP-based UDF表示以及UDF-tailored等方法，稳定学习过程并提高UDF的准确性。

其他亮点：论文在实验中使用了哪些数据集，提高了UDF的准确性，并优于现有的UDF学习方法。论文将代码公开。

相关研究：最近在这个领域中，还有一些相关的研究，如《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《Occupancy Networks: Learning 3D Reconstruction in Function Space》等。