Volume Rendering with Metric--Phase Fields for Thin Structures and Sign-Ambiguous Geometry

📄 arXiv: 2610.13088v1 📥 PDF

作者: Junkai Deng, Jiayi Kong, Xuhui Chen, Guanli Hou, Fei Hou, Junhui Hou, Wenping Wang, Ying He

分类: cs.CV

发布日期: 2026-10-09

💡 一句话要点

提出PhaseSurf以解决薄结构和符号模糊几何体的体积渲染问题

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

关键词: 体积渲染 神经隐式表面 度量相位场 薄结构 符号模糊几何体 多视图重建 几何建模

📋 核心要点

  1. 现有的体积渲染方法在处理薄结构和符号模糊几何体时，容易出现伪闭合或细节丢失的问题。
  2. 本文提出了PhaseSurf，通过度量相位场将几何体分解为非负度量场和连续相位场，增强了对符号模糊区域的鲁棒性。
  3. 实验结果显示，PhaseSurf在多视图数据集上相较于UDF方法和3DGS管线，提供了更稳定的重建和更高质量的几何体。

📝 摘要（中文）

神经隐式表面方法如VolSDF和NeuS在水密物体的多视图重建中表现优异，但对于薄结构和符号模糊几何体的处理存在局限。本文提出PhaseSurf，一个基于度量相位场的神经体积渲染框架，通过将几何体分解为非负度量场和连续相位场，克服了现有方法的不足。实验结果表明，PhaseSurf在薄结构和符号模糊几何体的重建中，表现出更高的稳定性和几何质量，优于UDF方法和最新的3DGS管线。

🔬 方法详解

问题定义：本文旨在解决现有神经隐式表面方法在处理薄结构（如薄片、管道和薄壁）及符号模糊几何体时的不足，尤其是全局一致的内外部分划分假设导致的重建失败。

核心思路：通过引入度量相位场（MPFs），将几何体分解为一个捕捉无符号接近度的非负度量场和一个提供软符号线索的连续相位场，从而增强了对符号模糊区域的处理能力。

技术框架：PhaseSurf的整体架构包括两个主要模块：度量场和相位场。通过残差相位注入将两者耦合，形成一个稳定的复合隐式函数，并利用标准的Marching Cubes算法进行等值面提取。

关键创新：最重要的技术创新在于MPFs的设计，它在保持UDF的鲁棒性的同时，提供了稳定的近表面梯度，避免了纯SDF和UDF方法的失败模式。

关键设计：本文还引入了MPF特定的训练损失，确保度量一致性，稳定界面附近的相位转变，并抑制自由空间中的伪几何体。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PhaseSurf在处理薄结构和符号模糊几何体时，相较于UDF方法和最新的3DGS管线，重建的几何体质量提升显著，表现出更高的稳定性和更少的伪影，具体性能数据未提供。

🎯 应用场景

该研究的潜在应用领域包括计算机图形学、虚拟现实和增强现实等，尤其是在需要高质量几何重建的场景中，如薄壁结构的建模和复杂几何体的可视化。PhaseSurf的设计理念和技术框架为未来的体积渲染研究提供了新的思路和方法。

📄 摘要（原文）

Neural implicit surface methods that couple volume rendering with signed distance functions (SDFs), such as VolSDF and NeuS, achieve high-quality multi-view reconstruction for watertight objects. However, these approaches rely on a globally consistent inside-outside partition of space. This assumption becomes fragile for thin structures (e.g., sheets, tubes, and thin walls) and can break down for sign-ambiguous geometry (e.g., surfaces with boundary, non-manifold junctions, and closely spaced surface components), often resulting in spurious closures or loss of fine structures. Unsigned distance field (UDF) formulations relax the global sign requirement and better support non-watertight geometry, but are substantially harder to optimize. We propose PhaseSurf, a neural volume rendering framework built on Metric-Phase Fields (MPFs). MPFs decompose geometry into a nonnegative metric field capturing unsigned proximity and a continuous phase field providing a soft sign cue. By coupling the two through residual phase injection, MPFs yield a signed composite implicit function with stable near-surface gradients while retaining UDF-like robustness in sign-ambiguous regions. This design enables direct iso-surface extraction using standard Marching Cubes and avoids the failure modes of both pure SDF- and UDF-based formulations. We further introduce MPF-specific training losses that enforce metric consistency, stabilize phase transitions near the interface, and suppress spurious geometry in free space. Experiments on multi-view datasets with thin structures and sign-ambiguous geometry show that PhaseSurf produces more stable reconstructions and higher-quality geometry than UDF-based methods and recent 3DGS pipelines, while avoiding artifacts typical of SDF-based approaches.