NoKSR: Kernel-Free Neural Surface Reconstruction via Point Cloud Serialization

我们提出了一种新的大规模点云表面重建方法，通过开发一个高效的框架，将不规则的点云转换为带符号距离场（SDF）。我们的核心架构基于最近的基于变压器的架构（即PointTransformerV3），该架构将点云序列化为保持局部性的令牌序列。我们通过聚合附近的令牌来高效地预测某个点的SDF值，由于序列化，可以快速检索近似邻居。我们在不同的层次/尺度上对点云进行序列化，并非线性地聚合特征以预测SDF值。我们证明了在多个尺度上进行聚合对于克服由序列化引入的近似误差（例如邻域中的假阴性）至关重要。我们的框架在准确性和效率方面树立了新的最先进水平（性能更好或相似，但延迟仅为最佳先前方法的一半，并且实现更简单），特别是在稀疏网格方法表现有限的户外数据集上。

该论文试图解决大规模点云表面重建的问题，特别是如何高效地将不规则的点云转换为有符号距离场（SDF）。这是一个在3D重建和计算机视觉领域中长期存在的挑战，尤其是在处理户外数据集时，传统的稀疏网格方法表现不佳。因此，这是一个具有实际应用价值且需要创新解决方案的问题。

关键思路是利用基于Transformer架构（如PointTransformerV3）的框架，将点云序列化为保持局部性的token序列，并通过多尺度聚合来预测SDF值。相比现有方法，这一方案不仅提高了准确性和效率，还简化了实现过程。通过多尺度特征聚合，该方法能够有效克服由序列化引入的近似误差（例如邻域中的假阴性问题）。

该研究的主要亮点包括：1) 在多个基准测试中达到了新的最先进水平，尤其在户外数据集上表现出色；2) 相比之前最好的方法，性能相似或更优，但延迟减少了一半；3) 提出了一个多尺度特征聚合机制，显著提升了模型的鲁棒性和准确性；4) 实验设计严谨，使用了多个公开数据集进行验证；5) 代码已开源，便于后续研究者复现和改进。

最近的相关研究包括：1) 使用深度学习进行点云处理的工作，如《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》；2) 基于神经网络的SDF预测方法，如《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》；3) 利用Transformer架构处理3D数据的研究，如《Point Transformer》。这些工作为本研究提供了重要的理论和技术基础。