Depth Supervised Neural Surface Reconstruction from Airborne Imagery

最近，神经辐射场（NeRFs）作为多视图立体（MVS）的替代品，虽然最初是为了新视图合成而开发的，但已经开始崭露头角。在众多研究活动的推动下，尤其是对于无纹理、透明和反射表面，NeRFs已经取得了有希望的结果，而这些场景对于传统的基于MVS的方法仍然具有挑战性。然而，大多数这些研究都集中在近距离场景上，而缺乏针对空中场景的研究。对于这个任务，NeRFs在图像冗余度低和数据证据弱的区域可能面临潜在的困难，这些区域通常在街道峡谷、立面或建筑物阴影中发现。此外，训练这样的网络计算成本很高。因此，我们的工作有两个目标：首先，我们调查NeRFs在代表不同特征的空中图像块中的适用性，例如仅顶视图、斜视图和高分辨率图像。其次，在这些调查过程中，我们展示了将来自预设束调整的关键点测量的深度先验集成的好处。我们的工作基于最先进的框架VolSDF，它通过有符号距离函数（SDFs）对3D场景进行建模，因为与香草NeRFs中的标准体积表示相比，这更适用于表面重建。为了评估，基于NeRFs的重建与一个公开可用的空中图像基准数据集的结果进行了比较。

本文探讨了NeRFs在航空图像块中的适用性，并且提出了一种将深度先验与NeRFs相结合的方法，以提高重建效果。

本文的关键思路是将NeRFs应用于航空图像块的重建，并且通过结合深度先验来提高重建质量。

本文使用了VolSDF框架，该框架使用有符号距离函数（SDF）来建模三维场景，相比于标准的容积表示法，更适用于表面重建。实验结果表明，将深度先验与NeRFs相结合可以显著提高重建质量。本文还提出了一些未来研究方向，如如何进一步提高NeRFs在航空图像块中的适用性。

最近的相关研究包括基于深度学习的多视图几何重建和点云重建方法。其中，一些与本文相关的研究包括：《Multi-View Stereo by Learning the Compatibility between Images》、《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》。