MicroSDF: Microfacet-Driven Hybrid Neural SDFs for Mixed-Reflectance Surface Reconstruction

📄 arXiv: 2610.19681v1 📥 PDF

作者: Lejia Ye, Yuhua Xu, Yulan Guo, Lian Xu, Xiaohu Zhang

分类: cs.CV

发布日期: 2026-10-14

备注: Published in IEEE Transactions on Image Processing, vol. 35, pp. 4106-4121, Apr. 2026. DOI: 10.1109/TIP.2026.3678096

期刊: IEEE Transactions on Image Processing, vol. 35, pp. 4106-4121, 2026

DOI: 10.1109/TIP.2026.3678096

💡 一句话要点

提出MicroSDF以解决混合反射表面重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱四：生成式动作 (Generative Motion)

关键词: 3D重建 神经隐式模型 微面理论 反射建模 颜色混合策略 多阶段优化 物理合理性

📋 核心要点

  1. 现有方法通常将反射和非反射表面分开处理，限制了模型的通用性和物理合理性。
  2. MicroSDF通过微面理论，提出了一种新颖的神经隐式框架，能够同时建模几何和反射特性。
  3. 在多个数据集上进行的实验表明，MicroSDF在重建精度和物理合理性上均优于现有方法，达到了最先进的性能。

📝 摘要（中文）

在真实环境中，准确的3D重建面临着反射和非反射表面共存的重大挑战，现有方法往往将这些表面类型分开处理，限制了其通用性和物理合理性。为了解决这一问题，我们提出了MicroSDF，这是一种新颖的神经隐式框架，通过微面理论促进几何和反射建模。我们的方案包括三个核心创新：微面引导的几何模型、增强的双分支颜色模型以及基于检测的颜色混合策略。结合定制的多阶段优化方案，MicroSDF在反射和非反射表面上实现了稳健且高保真的重建，广泛实验表明其在多个数据集上表现出色，开辟了物理基础神经重建的新方向。

🔬 方法详解

问题定义：论文旨在解决混合反射表面的3D重建问题，现有方法往往将反射和非反射表面分开处理，导致模型的通用性和物理合理性不足。

核心思路：MicroSDF通过微面理论，提出了一种新颖的神经隐式框架，能够同时建模几何和反射特性，提升了对复杂表面的重建能力。

技术框架：整体架构包括微面引导的几何模型、增强的双分支颜色模型和基于检测的颜色混合策略，结合多阶段优化方案，确保高保真重建。

关键创新：最重要的技术创新点在于微面引导的几何模型和基于检测的颜色混合策略，这些设计使得模型能够更好地处理反射和非反射表面的混合特性。

关键设计：论文中提出的微面法线一致性损失函数用于正则化表面方向，增强的双分支颜色模型通过反射方向而非视角来建模低频和高频反射成分，确保了更物理合理的颜色输出。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在DTU、Shiny Blender、Ref-NeRF和DeepVoxels数据集上的实验结果显示，MicroSDF在重建精度上超越了现有最先进的方法，具体提升幅度达到了XX%，展示了其在处理混合反射表面方面的优越性。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、增强现实、游戏开发以及工业设计等，能够为这些领域提供更真实的3D重建效果，提升用户体验和设计效率。未来，MicroSDF可能会推动更复杂场景下的物理基础重建技术的发展。

📄 摘要（原文）

Accurate 3D reconstruction in real-world environments remains a significant challenge due to the coexistence of reflective and non-reflective surfaces, which pose distinct modeling demands. Existing methods often treat these surface types separately, limiting their generalizability and physical plausibility. To bridge this gap, we propose MicroSDF, a novel neural implicit framework that facilitates geometry and reflectance modeling through microfacet theory. Our approach incorporates three core innovations: (i) a microfacet-guided geometry model that extracts multi-scale surface normals (macroscopic and microfacet) from a signed distance field (SDF), regularized by a proposed microfacet normal consistency loss to enforce physically plausible surface orientations; (ii) an enhanced dual-branch color model, where the specular branch leverages the microfacet normals to model high-frequency reflectance, and the vanilla branch, unlike prior works, uses reflection direction (instead of viewing direction) to better model diffuse and low-frequency specular components; and (iii) a detection-guided color blending strategy that adaptively fuses the color outputs based on reflection priors, providing more physically intuitive blending than implicitly learned blending weights. Combined with a tailored multi-stage optimization scheme, the proposed MicroSDF achieves robust and high-fidelity reconstruction across reflective and non-reflective surfaces. Extensive experiments on DTU, Shiny Blender, Ref-NeRF, and DeepVoxels datasets demonstrate state-of-the-art performance, establishing a new direction for physically grounded neural reconstruction.