标题
SparseNeuS: Fast Generalizable Neural Surface Reconstruction from Sparse Views
2022, ECCV, 0 citations.
链接
论文链接：
代码实现：
- 官方GitHub版本。SparseNeuS GitHub
Open Review Ratings
| Soundness | Presentation | Contribution | Rating | Confidence |
|---|---|---|---|---|
| 3 | 2 | 2 | 5 | 3 |
| 3 | 3 | 3 | 5 | 5 |
| 3 | 2 | 3 | 5 | 4 |
| 3 | 2 | 3 | 6 | 4 |
作者
要点
目的
在较多的输入图片视角情况下，显式的引入几何空间约束，精准对三维几何进行重建。
思想
通过SFM获得三维点云，将空间中的表面依照这些关键点进行约束。
方法
给定相机内参、外参，Structure From Motion可以估计出来空间中特征点的位置，得到点云信息。要求点云是在物体的表面上，这就对应于这些点的SDF函数值为零，约束这些点的SDF函数值，就能够重建出真实的空间几何结构。
2、读完《Geo-NeuS》，2022NIPS的文章。 （1）目的：在较多的输入图片视角情况下，显式的引入几何空间约束，精准对三维几何进行重建。 （2）思想：通过SFM获得三维点云，将空间中的表面依照这些关键点进行约束。 （3）方法：给定相机内参、外参，Structure From Motion可以估计出来空间中特征点的位置，得到点云信息。要求点云是在物体的表面上，这就对应于这些点的SDF函数值为零，约束这些点的SDF函数值，就能够重建出真实的空间几何结构。 （4）效果：很好！对NeuS提升的幅度相当大，并且重建的表面非常细致。 （5）不足：这篇文章的思想非常精彩，引入很少的可以用的先验信息，让重建的效果达到新的Baseline水平。妥妥的好评。改进的话，可能需要对几何进行额外的信息补充。或者对渲染方式、密度函数进行新的设计。”
想法
优点
很好！对NeuS提升的幅度相当大，并且重建的表面非常细致。
缺点
这篇文章的思想非常精彩，引入很少的可以用的先验信息，让重建的效果达到新的Baseline水平。妥妥的好评。改进的话，可能需要对几何进行额外的信息补充。或者对渲染方式、密度函数进行新的设计。
但是，技巧性很强，没有准确的设计一种新的方式，属于引入了模型的先验信息。
我们更希望能够对VolSDF/NeuS进行本质上的改进，让他们在比较少的模型假设情况下，自适应的获得更多的信息内容，以及获得更好的重建效果。