TSDF-Sampling: Efficient Sampling for Neural Surface Field using Truncated Signed Distance Field

多视角神经表面重建展示了令人印象深刻的结果。然而，与传统技术相比，一个明显的限制是推理时间过长，这主要归因于需要进行密集采样以保持渲染质量。本文介绍了一种新方法，通过结合场景的截断有符号距离场（TSDF）大幅减少了采样次数。尽管之前的研究提出了重要性采样，但它们依赖于整个空间的初始均匀采样，使得它们在试图使用更少的采样时无法避免性能下降。相反，我们的方法利用仅由训练视图生成的TSDF体积，并证明它能够为未来的新视图提供合理的采样上限。因此，我们通过充分利用TSDF体积给出的边界完全利用了连续神经SDF估计，从而实现了高质量的渲染。值得注意的是，我们的方法是第一种可以稳健地插入各种神经表面场模型的方法，只要它们使用体积渲染技术。我们的实证结果显示，推理速度增加了11倍，而不会影响性能。结果视频可在我们的项目页面上找到：https://tsdf-sampling.github.io/。

如何在保持渲染质量的同时，减少多视角神经表面重建的采样数量，以提高推理速度？

使用场景的截断有符号距离场（TSDF）来限制采样范围，从而大大减少采样数量，同时保持高质量的渲染效果。

该方法不仅能够提高推理速度，还能够与多种神经表面场模型结合使用。论文通过实验验证了该方法的有效性，并开源了代码和数据集。

之前的研究主要关注于重要性采样，但其依赖于对整个空间的均匀采样，无法避免在减少采样数量时性能下降的问题。本文是首个能够与多种神经表面场模型结合使用，并能够在不降低性能的情况下大幅提高推理速度的方法。