High-Fidelity Surface Splatting-Based 3D Reconstruction from Multi-View Images

📄 arXiv: 2605.07254v1 📥 PDF

作者: Nandhana Sunil, Abhirami R Iyer, Avirup Mandal

分类: cs.CV, cs.GR

发布日期: 2026-05-08

备注: 19 pages, 9 figures

💡 一句话要点

提出基于紧凑多项式核的隐式移动最小二乘法，实现高保真多视角三维重建

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 三维重建 隐式移动最小二乘法 多视角几何 高频细节恢复 符号距离函数 端到端优化 计算机图形学

📋 核心要点

  1. 现有3DGS与NeRF方法依赖后处理提取网格，导致几何与外观无法实现联合优化，且难以从稀疏视角中恢复高频几何细节。
  2. 提出一种基于紧凑多项式核的IMLS框架，通过引入局部支撑与随机拉普拉斯正则化，增强了对高频结构特征的建模能力。
  3. 实验结果表明，该方法在多视角重建任务中显著提升了几何精度与渲染清晰度，在表面重建质量上优于现有主流基线模型。

📝 摘要（中文）

多视角网格重建仍是计算机图形学与视觉领域的核心挑战，特别是在从稀疏观测中恢复高频几何细节方面。现有的3D高斯溅射（3DGS）和神经辐射场（NeRF）方法依赖后处理进行网格提取，限制了几何与外观的联合优化。隐式移动最小二乘法（IMLS）支持将点云直接转换为符号距离函数（SDF）和纹理场，从而实现端到端的重建与渲染。然而，现有的IMLS公式多采用指数核，难以处理高频细节。本文引入了一种具有局部支撑且更具灵活性的紧凑多项式核，能够更好地控制频率内容并提升几何保真度。此外，通过引入拉普拉斯滤波的随机正则化，进一步增强了精细细节的表达。实验表明，该方法在表面重建与渲染方面均达到了SOTA水平，能从多视角数据中获得更精确的几何结构与更锐利的视觉效果。

🔬 方法详解

问题定义：论文旨在解决多视角三维重建中几何细节丢失与优化不稳定的问题。现有基于IMLS的方法多采用指数核，其全局或长程特性导致在处理复杂几何表面时平滑过度，无法有效捕捉高频细节，且难以实现几何与外观的端到端联合优化。

核心思路：论文的核心思想是改进IMLS的核函数设计，通过引入紧凑的多项式核替代传统的指数核，利用其局部支撑特性实现对几何表面的精细控制，并结合随机正则化技术提升优化过程的稳定性。

技术框架：该方法构建了一个端到端的重建框架，将点云表示直接映射为符号距离场（SDF）和纹理场。框架通过多项式核进行空间插值，并集成拉普拉斯滤波作为正则化项，在保持几何连续性的同时，通过梯度下降实现几何与外观参数的同步优化。

关键创新：最重要的创新在于引入了紧凑多项式核，相比指数核，它提供了更好的频率响应控制，能够更精准地拟合局部几何特征。此外，结合拉普拉斯滤波的随机正则化策略，有效抑制了优化过程中的噪声，增强了高频结构的鲁棒性。

关键设计：关键技术细节包括多项式核的阶数选择以平衡平滑度与细节保留，以及拉普拉斯正则化项的权重设置。该设计允许模型在保持表面平滑的同时，通过局部支撑特性捕捉细微的几何起伏，从而在稀疏视角下实现高质量重建。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，该方法在多个基准数据集上表现优异，相比传统IMLS及基于3DGS的后处理方法，在几何重建精度（如Chamfer Distance指标）上提升显著。视觉效果上，该方法生成的模型在高频纹理和边缘锐度方面表现出更强的保真度，证明了其在稀疏视角输入下重建复杂几何结构的卓越性能。

🎯 应用场景

该研究在数字孪生、虚拟现实（VR）、增强现实（AR）及工业检测领域具有广泛应用价值。其高保真的几何重建能力可直接用于生成高质量的3D资产，提升游戏开发、影视特效制作的效率，并为自动驾驶中的高精度地图构建提供更可靠的几何基础。

📄 摘要（原文）

Multi-view mesh reconstruction remains a core challenge in computer graphics and vision, especially for recovering high-frequency geometry from sparse observations. Recent methods such as 3D Gaussian Splatting (3DGS) and Neural Radiance Fields (NeRF) rely on post-processing for mesh extraction, thereby limiting joint optimization of geometry and appearance. Implicit Moving Least Squares (IMLS) instead enables direct conversion of point clouds into signed distance and texture fields, supporting end-to-end reconstruction and rendering. However, existing IMLS formulations use exponential kernels that struggle with high-frequency detail. We introduce a compact polynomial kernel with local support and greater flexibility, allowing better control over frequency content and improved geometric fidelity. To further enhance fine details, we incorporate stochastic regularization with Laplacian filtering. Together, these improve the preservation of high-frequency structure while maintaining stable optimization. Experiments show state-of-the-art performance in both surface reconstruction and rendering, yielding more accurate geometry and sharper visuals from multi-view data.