Autonomous Implicit Indoor Scene Reconstruction with Frontier Exploration

隐式神经表示已经展示出在3D场景重建方面的显著优势。最近的研究已经将其应用于通过“下一个最佳视角”（NBV）方法进行自主的隐式重建。然而，NBV方法不能保证完全覆盖场景，并且通常需要在复杂场景中进行大量的视角采样。在本文中，我们提出了以下两个方案：1）将基于边界的探索任务与基于隐式表面不确定性的重建任务相结合，以实现高质量的重建；2）引入一种使用颜色不确定性来实现隐式表面不确定性的方法，从而减少视角选择所需的时间。进一步地，我们提出了一种自适应策略，用于在视角路径规划中切换模式，以减少时间并保持优越的重建质量。我们的方法在所有规划方法中表现出最高的重建质量，并在涉及重建任务的方法中具有卓越的规划效率。我们将我们的方法部署在一架无人机上，结果显示我们的方法可以计划多任务视角并重建高质量的场景。

本文旨在解决通过Next Best View（NBV）方法进行自主隐式重建时，无法保证场景完整覆盖且需要大量视角采样的问题。

将基于探索任务的前沿探索与基于隐式表面不确定性的重建任务相结合，提出了一种自适应策略，以在视图路径规划中切换模式，从而减少时间并保持卓越的重建质量。

通过颜色不确定性实现了隐式表面不确定性，减少了视图选择所需的时间；在无人机上部署，展示了本方法可以计划多任务视图并高质量重建场景。

与最近的相关研究包括：Implicit Neural Representations for Automatic 3D Shape Generation from Unstructured Data；Neural Sparse Voxel Fields；DeepSDF；Deep Marching Cubes；等。