NeuRodin: A Two-stage Framework for High-Fidelity Neural Surface Reconstruction

基于有符号距离函数（SDF）的体渲染已经展示了在表面重建方面的显著能力。尽管很有前途，但是基于SDF的方法经常不能捕捉到详细的几何结构，导致可见的缺陷。通过将基于SDF的体渲染与基于密度的体渲染进行比较，我们确定了SDF方法中降低表面质量的两个主要因素：SDF到密度表示和几何正则化。这些因素引入了挑战，阻碍了SDF场的优化。为了解决这些问题，我们介绍了NeuRodin，这是一个新颖的两阶段神经表面重建框架，不仅实现了高保真表面重建，而且还保留了基于密度方法的灵活优化特性。NeuRodin包含了创新的策略，有助于任意拓扑的转换，并减少与密度偏差相关的伪影。在Tanks and Temples和ScanNet++数据集上进行的广泛评估证明了NeuRodin的优越性，展示了仅使用姿态RGB捕获就能够强大地重建室内和室外环境的能力。项目网站：https://open3dvlab.github.io/NeuRodin/

本论文旨在解决SDF-based方法在表面重构中存在的问题，如捕捉细节几何结构的失败和可见缺陷等。

NeuRodin是一个新的两阶段神经表面重构框架，旨在解决SDF-to-density表示和几何规则化等问题，同时保留密度基方法的灵活优化特性。

论文通过对比SDF-based体积渲染和密度基体积渲染，发现SDF-based方法中存在的问题，并提出了NeuRodin解决方案。NeuRodin采用创新策略，便于任意拓扑的转换，并减少与密度偏差相关的伪影。论文在Tanks and Temples和ScanNet ++数据集上进行了广泛的评估，展示了NeuRodin的卓越表面重构能力。论文提供了项目网站并开源了代码。

在这个领域中，最近的相关研究包括：Implicit Functions in Feature Space for 3D Shape Reconstruction、DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation、Occupancy Networks: Learning 3D Reconstruction in Function Space等。