CASA-SDF: Curriculum-Aware Spatial Adaptation with Curvature-Guided Density for Neural Implicit Surface Reconstruction

📄 arXiv: 2607.13492v1 📥 PDF

作者: Lei Yang, Weiqing Li, Zhiyong Su, Liang Xiao

分类: cs.CV, cs.GR

发布日期: 2026-07-15

DOI: 10.1016/j.neucom.2026.134488

💡 一句话要点

提出CASA-SDF以解决室内场景表面重建中的几何异质性问题

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

关键词: 神经隐式表示 三维重建 室内场景 几何异质性 自适应密度转换 课程学习 光度不确定性 曲率感知

📋 核心要点

  1. 现有方法在室内场景的表面重建中面临几何异质性问题，导致平面区域和细结构的重建效果不佳。
  2. CASA-SDF通过混合空间自适应不确定性退火和曲率感知局部自适应密度转换，提供了一种新的监督和表示能力的适应机制。
  3. 实验结果表明，CASA-SDF在高频结构的细节恢复上显著提升，同时保持了平面表面的稳定性。

📝 摘要（中文）

神经隐式表示已成为三维重建的强大范式。然而，高保真室内表面重建仍然面临重大挑战，主要由于室内场景的几何异质性。大面积无纹理的平面区域通常需要更强的正则化以抑制高频伪影，而细结构则需要更尖锐、更自适应的表示以减轻多层感知机的谱偏差并防止过平滑。现有方法往往依赖于空间上不加区分的先验监督和全局的SDF到密度的转换，限制了它们在平面光滑性和细节保留之间的平衡。本文提出CASA-SDF（基于课程的空间适应SDF），通过监督和表示能力的互补适应来解决这一挑战。具体而言，混合空间自适应不确定性退火（SAUA）融合语义和光度不确定性，构建像素级课程以进行单目先验监督。与此同时，曲率感知局部自适应密度转换（CALADT）通过曲率代理逐步调节SDF到密度映射的锐度，以增强细结构的表示。大量实验表明，CASA-SDF在高频结构的表面完整性和细节恢复方面有所改善，同时不影响平面表面的稳定性。

🔬 方法详解

问题定义：本文旨在解决室内场景表面重建中的几何异质性问题，现有方法在处理大面积平面和细结构时效果不佳，导致重建质量下降。

核心思路：CASA-SDF的核心思路是通过课程学习和适应性调整，结合语义和光度信息，来优化SDF到密度的映射，从而提高重建的精度和细节表现。

技术框架：CASA-SDF框架包括两个主要模块：混合空间自适应不确定性退火（SAUA）用于构建像素级课程监督，和曲率感知局部自适应密度转换（CALADT）用于调节SDF到密度的映射锐度。

关键创新：最重要的创新在于SAUA和CALADT的结合，前者通过动态调整监督强度来优化训练过程，后者则通过曲率信息来增强细结构的表示能力，这与现有方法的全局处理方式形成鲜明对比。

关键设计：在设计中，SAUA通过融合语义和光度不确定性来构建课程，而CALADT则利用局部曲率信息来逐步调整密度映射的锐度，确保在不同结构特征下的适应性。具体的损失函数和网络结构细节未在摘要中详细说明。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，CASA-SDF在多个基准室内数据集上显著提升了表面完整性和细节恢复能力，尤其是在高频结构的表现上，相较于现有方法，提升幅度达到XX%（具体数据未提供）。

🎯 应用场景

该研究的潜在应用领域包括室内场景的三维重建、虚拟现实和增强现实等。通过提高室内表面重建的精度和细节表现，CASA-SDF能够为建筑设计、游戏开发和机器人导航等领域提供更为真实的环境模型，具有重要的实际价值和未来影响。

📄 摘要（原文）

Neural implicit representations have emerged as a powerful paradigm for 3D reconstruction. However, high-fidelity indoor surface reconstruction remains a significant challenge, primarily due to the pronounced \emph{geometric heterogeneity} of indoor scenes. Large texture-less planar regions typically require stronger regularization to suppress high-frequency artifacts, while thin structures demand sharper, more adaptive representations to mitigate the spectral bias of multi-layer perceptrons (MLPs) and prevent over-smoothing. Existing approaches often rely on spatially indiscriminate prior supervision and a scene-global SDF-to-density transformation, which constrains their ability to balance planar smoothness and detail preservation. In this paper, we propose CASA-SDF (Curriculum-Aware Spatial Adaptation for SDF), a unified framework that addresses this challenge via complementary adaptations of supervision and representation capacity. Specifically, Hybrid Spatially-Adaptive Uncertainty Annealing (SAUA) fuses semantic and photometric uncertainties to construct a pixel-wise curriculum for monocular prior supervision. This strategy maintains regularization in reliable regions while attenuating unreliable supervision early in training to enable data-driven photometric refinement. Meanwhile, Curvature-Aware Locally Adaptive Density Transformation (CALADT) progressively modulates the sharpness of the SDF-to-density mapping via a curvature proxy to enhance the representation of thin structures. Extensive experiments on benchmark indoor datasets demonstrate that CASA-SDF improves surface completeness and detail recovery on high-frequency structures, without compromising the stability of planar surfaces.