VortSDF: 3D Modeling with Centroidal Voronoi Tesselation on Signed Distance Field

体积形状表示已经成为多视角重建任务中无处不在的工具。它们通常基于规则的体素网格作为离散的三维形状函数表示，如SDF或辐射场，无论是作为完整的形状模型还是连续表示的采样实例，如神经网络。尽管它们的效率已经被证明，但体素表示与精度与复杂性之间的权衡有关。当场景变得复杂和杂乱时，这种固有限制可能会显著影响性能。在本文中，我们研究了一种基于重心沃罗诺伊镶嵌（CVT）的替代离散化策略。CVT允许更好地划分观测空间，以便于形状占用，并将离散化聚焦在形状表面周围。为了利用这种离散化策略进行多视角重建，我们引入了一个体积优化框架，将显式的SDF场与浅色网络相结合，以估计四面体网格上的三维形状属性。使用Chamfer统计的实验结果验证了这种方法在各种场景中的重建质量是前所未有的，例如对象、开放场景或人类。

本论文试图解决多视角重建中离散表示精度与复杂度的平衡问题，并提出了一种基于Centroidal Voronoi Tesselation（CVT）的离散化策略。

论文提出了一种将显式SDF场与浅色彩网络相结合的体积优化框架，以在四面体网格上估计三维形状属性，从而实现更好地划分观察空间并聚焦于形状表面的离散化策略。

论文在各种场景下进行了实验，包括物体、开放场景或人体，并使用Chamfer统计验证了该方法的有效性。此外，论文还提供了数据集和开源代码。

最近的相关研究包括：《Occupancy Networks: Learning 3D Reconstruction in Function Space》、《Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion》等。