SOF: Sorted Opacity Fields for Fast Unbounded Surface Reconstruction

📄 arXiv: 2506.19139v2 📥 PDF

作者: Lukas Radl, Felix Windisch, Thomas Deixelberger, Jozef Hladky, Michael Steiner, Dieter Schmalstieg, Markus Steinberger

分类: cs.GR, cs.CV

发布日期: 2025-06-23 (更新: 2025-12-12)

备注: SIGGRAPH Asia 2025; Project Page: https://r4dl.github.io/SOF/

💡 一句话要点

提出SOF以解决大规模无界面重建问题

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

关键词: 三维重建 高斯表示 不透明度场 水平集 计算机视觉 实时渲染 几何提取

📋 核心要点

  1. 现有方法在大规模无界环境中提取准确表面时，常依赖近似深度估计，导致伪影和重建质量下降。
  2. 本文提出的SOF方法通过分层重排序和稳健的高斯深度公式，提升了表面重建的速度和精度。
  3. SOF在实验中显示出比基线方法更高的重建精度，并将总处理时间减少了三倍以上。

📝 摘要（中文）

近年来，3D高斯表示法在基于图像的场景重建中显著提高了质量和效率。然而，在大规模无界环境中提取准确的表面仍然是一个挑战。现有方法常依赖于近似深度估计和全局排序启发式，可能引入伪影并限制重建网格的保真度。本文提出了排序不透明度场（SOF），旨在以速度和精度恢复详细表面。通过引入分层重排序和稳健的高斯深度公式，SOF更好地与水平集对齐。此外，采用不透明度场的水平集正则化器和鼓励几何一致性原始形状的损失函数，提升了网格质量。实验表明，SOF在提高重建精度的同时，处理时间减少了三倍以上。

🔬 方法详解

问题定义：本文旨在解决在大规模无界环境中提取准确表面的问题。现有方法依赖于近似深度估计和全局排序，导致重建质量不高，且易产生伪影。

核心思路：SOF方法通过引入分层重排序和稳健的高斯深度公式，旨在提高表面重建的精度和速度。这种设计使得重建过程更为高效且准确。

技术框架：SOF的整体架构包括多个模块：首先是高斯表示的输入处理，然后是分层重排序的实施，接着是应用水平集正则化，最后通过并行化的四面体划分算法生成网格。

关键创新：SOF的主要创新在于其分层重排序和高斯深度的稳健公式，这与现有方法的全局排序和近似深度估计形成了本质区别。

关键设计：在设计中，采用了不透明度场的水平集正则化器，并引入了鼓励几何一致性原始形状的损失函数。这些设计细节显著提升了重建网格的质量。

📊 实验亮点

实验结果表明，SOF方法在重建精度上显著优于基线方法，处理时间减少了三倍以上。这一成果展示了高效的高斯基础渲染与几何提取之间的有效结合，标志着该领域的重大进步。

🎯 应用场景

该研究在计算机视觉、机器人导航和虚拟现实等领域具有广泛的应用潜力。SOF方法能够在复杂环境中快速、准确地重建三维表面，为实时渲染和场景理解提供了重要支持，未来可能推动相关技术的进一步发展。

📄 摘要（原文）

Recent advances in 3D Gaussian representations have significantly improved the quality and efficiency of image-based scene reconstruction. Their explicit nature facilitates real-time rendering and fast optimization, yet extracting accurate surfaces - particularly in large-scale, unbounded environments - remains a difficult task. Many existing methods rely on approximate depth estimates and global sorting heuristics, which can introduce artifacts and limit the fidelity of the reconstructed mesh. In this paper, we present Sorted Opacity Fields (SOF), a method designed to recover detailed surfaces from 3D Gaussians with both speed and precision. Our approach improves upon prior work by introducing hierarchical resorting and a robust formulation of Gaussian depth, which better aligns with the level-set. To enhance mesh quality, we incorporate a level-set regularizer operating on the opacity field and introduce losses that encourage geometrically-consistent primitive shapes. In addition, we develop a parallelized Marching Tetrahedra algorithm tailored to our opacity formulation, reducing meshing time by up to an order of magnitude. As demonstrated by our quantitative evaluation, SOF achieves higher reconstruction accuracy while cutting total processing time by more than a factor of three. These results mark a step forward in turning efficient Gaussian-based rendering into equally efficient geometry extraction.