1. 首頁 > 生活百科 > >

GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建

北航

GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建

文章圖片

GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建

文章圖片

GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建

文章圖片

GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建

文章圖片

GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建

文章圖片

GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建

文章圖片



在計算機視覺與圖形學中 ， 表面重建是一個長期未解的難題：給定一組多視角圖像 ， 能否重建出高精度、幾何清晰、細節豐富的 3D 模型？
近年來 ， NeRF、SDF 與 3D Gaussian Splatting 等方法大放異彩 ， 讓 AI 能從圖像中恢復出三維世界 。 但隨著相關技術路線的發展與完善 ， 瓶頸問題也隨之浮現：
初始化依賴：3DGS 高效 ， 但強烈依賴高精度和覆蓋度的點云初始化 ， 點云缺陷會直接傳遞為幾何誤差與細節缺失 。 模糊邊界：高斯基元天生邊界并不銳利 ， 難以保證幾何表面的清晰性與一致性 。 外部先驗難以融合：單目深度、法線等外部幾何線索雖有幫助 ， 但若不加選擇地引入 ， 往往將會受害于其中的不可避免的錯誤估計 ， 破壞原本準確的幾何 。于是一個問題被拋出：有沒有一條新路徑 ， 不依賴復雜初始化 ， 也能在保持效率的同時 ， 實現真正精確、完整的表面重建？
北京航空航天大學百曉團隊、Rawmantic AI、麥考瑞大學、RIKEN AIP 與東京大學的團隊給出了他們的答案：GeoSVR (Geometric Sparse Voxel Reconstruction) —— 一種全新的顯式幾何優化框架 ， 探究稀疏體素的潛力 ， 在幾何準確性、細節捕捉和完整性上全面超越現有方法 。
目前 ， 該論文已被 NeurIPS 2025 接收為 Spotlight ， 項目代碼已開源 。
本文第一作者為李嘉禾為北京航空航天大學計算機學院博士研究生 ， 目前于新加坡國立大學進行訪問 ， 主要研究方向為計算機三維視覺 。 通訊作者為北京航空航天大學計算機學院百曉教授和鄭錦副教授 。
【GeoSVR：稀疏體素的新潛力——超越3DGS系列的高精度三維表面重建】
論文鏈接：https://arxiv.org/abs/2509.18090 項目主頁：fictionarry.github.io/GeoSVR-project/ 代碼倉庫：https://github.com/Fictionarry/GeoSVR方法核心：馴服稀疏體素的兩大設計

圖 1 GeoSVR 方法流程
GeoSVR 在稀疏體素表達 SVRaster 的基礎上 ， 圍繞幾何約束與表面正則化提出了系統化設計 ， 使體素能夠在保證效率的同時 ， 生成幾何精確的表面 。
1. 體素不確定性深度約束 (Voxel-Uncertainty Depth Constraint)
挑戰：稀疏體素在沒有幾何先驗時 ， 容易出現局部表面錯誤；而外部深度信號（如單目深度估計）又往往帶有噪聲 ， 若直接施加監督 ， 可能導致幾何結構進一步劣化 。 核心思路：GeoSVR 在引入深度約束之前 ， 首先對具有清晰幾何意義和三維邊界的體素進行幾何可靠性建模 。 即：先估計體素的不確定性 ， 再細粒度地決定監督強度 。——不確定性建模：受不確定性和體素層級的緊密耦合的啟發 ， GeoSVR 抽象出一種層級感知的幾何不確定性 ， 其與體素八叉樹的層級明確相關 ， 表明具有關鍵幾何形狀的低層級體素會導致更高的不確定性 。
——深度約束加權：將外部深度損失與不確定性結合 。
——效果：在幾何歧義處借助外部信號校正 ， 而在可信區域保持體素自身學習 ， 避免過擬合噪聲 。
因此 ， 體素不確定性深度約束能夠盡量減少對低不確定性體素的關注 ， 以確保原有光度約束的可信度 ， 同時增強對高不確定性體素的關注 ， 使其依賴外部線索來解決幾何歧義性問題 ， 以實現穩定、可靠的選擇性場景約束施加 。
值得注意的是 ， 該不確定性推導與思想也可能為其他相關方法提供技術啟發 ， 具體過程可見論文原文 。

圖 2 體素不確定性深度約束效果
2. 稀疏體素表面正則化 (Sparse Voxel Surface Regularization)
挑戰：稀疏體素的表達天然是離散的 ， 每個體素只作用于局部區域 。 如果缺乏約束 ， 容易導致：——局部過擬合 ， 產生碎片化表面；
——渲染表面與真實幾何不對齊 ， 形成不準確的表面；
——大型體素主導幾何表達幾何 ， 帶來失真 。
解決方案：GeoSVR 提出了三種互補的正則化策略： 體素暫退 ——在進行傳統 patch-warping 正則化時 ， 隨機丟棄一部分體素 ， 僅保留子集參與訓練 。——迫使模型利用更少的體素保持全局一致性 ， 從而減少冗余表達 ， 避免優化過程陷入局部最小值 。表面修正 ——在渲染過程中顯式檢測射線與體素交界點 ， 強制渲染表面與體素密度邊界對齊 。——將幾何表面與顯示體素分布進行錨定 ， 減少不確定的表面形成、從而得到更銳利、準確的幾何邊緣 。
圖 3 表面修正說明及效果 體素尺度懲罰 ——為體素尺度引入正則項 ， 抑制過大體素對幾何的錯誤主導 。——使幾何表達更加細粒度 ， 避免大體素占據并「抹平」局部結構 。通過全局一致性約束、表面修正與尺度懲罰 ， GeoSVR 在全局性的場景約束下得到的幾何結構上 ， 進一步進行表面細化 ， 有效提升了所重建表面的幾何精度、銳度與優化穩定性 。
實驗結果：精準、完整、高效
GeoSVR 在多個主流數據集上全面超越現有方法：
1. DTU 數據集
Chamfer 距離顯著超越以往 SOTA 方法 ， 幾何精度領先 ， 重建效果逼真； 訓練僅需 0.8 小時 ， 遠快于先前 SOTA 方法 Geo-NeuS 等隱式方法的12 小時 。

https://mp.weixin.qq.com/s/QA4mY7YL3rsVGHl0QONQdQ?click_id=8
2. Tanks and Temples 數據集
GeoSVR 以 0.56 的 F1-score 成為目前最高精度方法； 在復雜建筑與低紋理區域保持穩定重建 。


https://mp.weixin.qq.com/s/QA4mY7YL3rsVGHl0QONQdQ?click_id=8
3. Mip-NeRF 360 數據集
在新視角合成上保持與 3DGS 相當的高保真度； 同時提供更為精確、完整與細致的幾何結構重建 。


實驗表明 ， GeoSVR 取得的重建效果：更準 ， 幾何精度顯著提升；更全 ， 細節與完整性優于現有方法；更快 ， 效率媲美 3DGS ， 遠超隱式表達系列的工作 。
意義與展望
GeoSVR 展示了一個新的可能 ， 在 SDF 與 3DGS 以外 ， 稀疏體素也能支撐高質量表面重建 ， 并通過顯式不確定性約束建模與正則化設計 ， 兼顧精度、完整性與效率 。 這一技術為機器人感知、自動駕駛、數字孿生、虛擬現實等應用提供了三維環境構建及數字資產支持 。
未來 ， 進一步增加場景重建規模與復雜光路條件的支持 ， 將是該方向的重要研究路徑 。

    推薦閱讀