4DRecons: 4D Neural Implicit Deformable Objects Reconstruction from a single RGB-D Camera with Geometrical and Topological Regularizations

本文提出了一种新颖的方法4DRecons，它将动态主体的单个相机RGB-D序列作为输入，并输出随时间变化的完整纹理变形3D模型。4DRecons将输出编码为4D神经隐式表面，并提出了一种优化过程，其中包括一个数据项和两个正则化项。数据项将4D隐式表面拟合到输入的部分观测中。我们解决了将完整隐式表面拟合到部分观测中的基本挑战。第一个正则化项尽可能地强制相邻帧之间的变形是刚性的（ARAP）。为此，我们引入了一种新颖的方法来计算相邻纹理隐式表面之间的对应关系，这些对应关系用于定义ARAP正则化项。第二个正则化项强制保持底层对象的拓扑结构随时间不变。这种正则化对于避免隐式重构中典型的自相交非常重要。我们在各种数据集上评估了4DRecons的性能。实验结果表明，4DRecons可以处理大形变和复杂的部件相互作用，并显著优于现有技术。

本文旨在提出一种新的方法4DRecons，能够将单个相机的RGB-D序列作为输入，输出一种完整的纹理变形3D模型。该方法旨在解决如何将完整的隐式表面拟合到局部观测数据中的挑战。

本文的关键思路是将输出编码为4D神经隐式表面，并提出了一种优化过程，结合数据项和两个正则化项。其中数据项将4D隐式表面拟合到输入的局部观测数据中，而正则化项则分别约束了相邻帧之间的变形和物体拓扑结构的不变性。

本文的亮点包括：1.提出了一种新的方法4DRecons，能够处理大规模变形和复杂的部件相互作用；2.引入了一种新的计算相邻纹理隐式表面对应关系的方法，用于定义正则化项；3.实验结果表明，该方法在性能上优于目前的其他方法。

与本文相关的研究包括：1.基于RGB-D序列的3D重建方法，如Kazhdan等人的工作；2.基于隐式表面的3D重建方法，如Mescheder等人的工作。