NeuralRecon拜读：单目视频实时连贯三维重建

CVPR2021：NeuralRecon: Real-Time Coherent 3D Reconstruction from Monocular Video

Code：https://github.com/zju3dv/NeuralRecon

传统基于深度图重建方法：

• depth map转换为point clouds
• 估计三维曲面位置并生成重建的网格
  • 在离线MVS pipline中，常使用Poisson reconstruction 和Delaunay triagulation 通常用于实现这一目的。

基于TSDF的深度图融合方法：

• 估计的深度图使用多视图一致性和时间平滑度等标准进行过滤
• 融合为TSDF volumes
• 利用MarchingCubes算法将融合后的TSDF volumes重建mesh

存在的问题：

• 单视图深度估计scale-factor容易变，不同视图的深度不一致，使得重建分层或者分散
• 多帧视图重叠区域的冗余重建计算

NeuralRecon的方案：

• 通过神经网络为每个视频片段直接生成TSDF volumes
• 然后使用基于gated recurrent units的TSDF融合模块引导网络融合前后片段

这种设计允许网络在顺序重建曲面时捕获3D曲面的局部平滑度先验和全局形状先验，从而实现精确、一致和实时的曲面重建

理论基础：Truncated Signed Distance Function (TSDF) volume

使用稀疏3D卷积预测离散TSDF volume

重建方法的前提：

• 输入：已知图像和对应的内外参
• 监督：
  • binary cross-entropy (BCE) loss: ground-truth occupancy values
  • SDF loss: ground-truth SDF values.

关键帧选择：

• 当新传入帧的相对平移大于$t_{max}$且相对旋转角大于$R_{max}$，则选择该帧作为关键帧
• 每N个关键帧视为local fragment
• 基于视图中固定的最大深度范围$d_{max}$（文中为3m）计算包围所有关键帧视锥体的立方形fragment bounding volume (FBV）
• 在重建每个fragment时，只考虑FBV内的区域

边重建边融合：

• 重建local fragment局部的TSDF volumes
• 使用学习的方法将局部TSDF融入全局TSDF volumes

Feature volume构建：

• ImageNet预训练的MnasNet_encoder提取feature
• 各级feature反投影到3D feature volume
• feature volume按体素可见性权重融合不同视图的feature：
  • 体素可见性权重为local fragment中可以观察到体素的视图数
    

Coarse-to-fine的TSDF重建，逐步细化各层TSDF

• 3D sparse convolution（TorchSpase）处理3D feature volume

• MLP sigmoid预测TSDF截断距离λ的置信度 $o$ 和 SDF-value $x$

  • $o$ 小于阈值视为空，稀疏化

• 稀疏化后将TSDF volume上采样并级联下一层的feature

• 通过GRU Fusion 模块

GRU Fusion模块：
为了保证相邻fragment重建的一致性，以过去fragment为基础

• 在每一层feature volume通过sparse 3D conv获得3D geometric features
• 将该3D geometric features与全局volume对应区域融合成当前的参数volume
• 再将当前参数volume更新回全局volume
• 当前参数体通过MLP得到当前TSDF volume
• 更新Global TSDF Volume在最后一层的GRU模块完成
  

实验用的是有ground truth的室内数据集，效果如下：