NC-SDF: Enhancing Indoor Scene Reconstruction Using Neural SDFs with View-Dependent Normal Compensation

最先进的神经隐式表面表示已经通过将单目几何先验作为额外监督而在室内场景重建方面取得了令人印象深刻的结果。然而，我们观察到这些先验之间的多视角不一致性对于高质量重建构成了挑战。为此，我们提出了NC-SDF，一种带有视角相关法线补偿（NC）的神经符号距离场（SDF）三维重建框架。具体而言，我们将单目法线先验中的视角相关偏差集成到场景的神经隐式表示中。通过自适应学习和校正这些偏差，我们的NC-SDF有效地缓解了不一致监督的不利影响，增强了重建的整体一致性和局部细节。为了进一步细化细节，我们引入了一种信息像素采样策略，以更多地关注具有更高信息内容的复杂几何形状。此外，我们设计了一种混合几何建模方法来改进神经隐式表示。在合成和现实世界数据集上的实验证明，NC-SDF在重建质量方面优于现有方法。

论文旨在解决在室内场景重建中，单目几何先验的多视角不一致性问题，提高重建质量和细节。

论文提出了一种新的神经隐式表达方法NC-SDF，通过将单目法线先验的视角偏差整合到场景的神经隐式表示中，自适应地学习和纠正偏差，从而有效地缓解不一致性带来的负面影响。

论文的亮点包括：采用了信息丰富的像素采样策略来更好地捕捉细节，设计了混合几何建模方法来提高神经隐式表示的质量。实验结果表明，该方法在合成和真实数据集上的表现均优于现有方法。

最近在这个领域中的相关研究包括：DeepSDF、IM-NET、DISN等。