TensoSDF: Roughness-aware Tensorial Representation for Robust Geometry and Material Reconstruction

通过多视角图像重构具有真实材质的物体是一个问题，因为它高度不适定。虽然神经重建方法展现了令人印象深刻的重建能力，但它们仅适用于具有特定材质（如漫反射或镜面反射材质）的物体。因此，我们提出了一种新颖的框架，用于强健的几何和材质重建，其中几何是用张量表示编码的隐式有符号距离场（SDF），即TensoSDF。我们方法的核心是粗糙度感知的辐射和反射场的结合，这使得可以对具有任意反射材质的物体进行稳健的重建。此外，张量表示增强了重建表面的几何细节，并减少了训练时间。最后，我们使用显式网格进行材质估计，以进行高效的交集计算，使用隐式SDF进行精确表示。因此，我们的方法可以实现更强健的几何重建，相对于之前的工作，在光照质量方面表现更好，并减少了50％的训练时间和70％的推理时间。

本论文旨在解决多视角图像中物体重建的问题，特别是涉及到具有不同反射材料的物体时，传统神经重建方法的局限性。

该论文提出了一种基于张量表示的隐式有符号距离场（SDF）的几何与材料重建框架，能够有效重建具有任意反射材料的物体，并且通过引入粗糙度感知的辐射和反射场，提高了重建的鲁棒性和精度。

该论文的亮点包括：使用张量表示增强了重建表面的几何细节，并且减少了训练时间；通过显式网格和隐式SDF相结合的方式，实现了高效的材料估计；实验结果表明该方法在重建几何和材料方面都优于先前的方法，并且训练时间和推断时间分别减少了50％和70％。

在这个领域的相关研究包括：Multi-view Stereo Reconstruction（多视角立体重建）、Neural Radiance Fields（神经辐射场）和Implicit Surface Representations（隐式表面表示）。