VF-NeRF: Learning Neural Vector Fields for Indoor Scene Reconstruction

本文探讨了室内稠密表面重建问题，通过重新审视NeRF的关键方面，使用最近提出的向量场（VF）作为隐式表示来解决现有方法在处理弱纹理的平面区域时的困难。VF由指向最近表面点的单位向量定义。因此，在表面处翻转方向并等于显式表面法线。除了这个翻转之外，VF沿平面表面保持不变，并提供了在表示平面表面方面的强大归纳偏差。具体而言，我们开发了一种新的密度-VF关系和训练方案，通过体积渲染学习VF。通过这样做，VF-NeRF可以准确地模拟大型平面表面和尖锐的角落。我们展示了当深度线索可用时，我们的方法进一步改进并实现了在重建室内场景和渲染新视图方面的最新成果。我们在室内数据集上对VF-NeRF进行了广泛的评估，并对其组成部分进行了消融实验。

本论文旨在解决NeRF在重建室内场景时面对平面区域的弱纹理的问题，提出了使用向量场作为隐式表示的VF-NeRF方法。

论文的关键思路是采用向量场作为隐式表示，VF在平面区域提供了强大的归纳偏差，可以准确地建模大面积平面和尖锐的角落。

论文通过开发新的密度-VF关系和训练方案，使得可以通过体积渲染来学习VF。在室内场景重建和渲染新视角方面，VF-NeRF均取得了最先进的结果。论文还对其组件进行了实验验证，并在多个数据集上进行了广泛评估。

在这个领域中，最近的相关研究包括DeepSDF、PIFu、AtlasNet等。