High Resolution UDF Meshing via Iterative Networks
作者: Federico Stella, Nicolas Talabot, Hieu Le, Pascal Fua
分类: cs.GR, cs.CV
发布日期: 2025-09-21 (更新: 2025-12-21)
备注: Accepted at NeurIPS 2025
💡 一句话要点
提出一种迭代神经网络，用于高分辨率UDF网格生成，提升复杂几何体的表面重建质量。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 无符号距离场 网格生成 迭代神经网络 三维重建 隐式表面
📋 核心要点
- 现有方法在UDF网格化时，忽略邻域信息，导致在高分辨率和噪声环境下，表面重建出现缺失和孔洞。
- 提出一种迭代神经网络，通过多轮迭代，利用邻域信息逐步优化表面重建，有效纠正错误并稳定提取过程。
- 实验表明，该方法在复杂几何体上，能够生成比现有方法更准确和完整的网格，尤其在高分辨率下优势明显。
📝 摘要（中文）
无符号距离场(UDFs)是开放表面的自然隐式表示，但与有符号距离场(SDFs)不同，将其三角化为显式网格具有挑战性。在高分辨率下尤其如此，因为神经UDF表现出更高的噪声水平，这使得捕获精细细节变得困难。目前大多数技术在单个体素内执行，而不参考其邻域，导致UDF模糊或嘈杂时出现表面缺失和孔洞。我们表明，通过执行多次迭代并推理先前提取的表面元素以结合邻域信息，可以弥补这一点。我们的关键贡献是一种迭代神经网络，它通过空间传播来自越来越远的邻居的信息，逐步改进每个体素内的表面恢复。与单次方法不同，我们的方法在多次迭代中整合新检测到的表面、距离值和梯度，有效地纠正错误并稳定具有挑战性区域的提取。在各种3D模型上的实验表明，我们的方法比现有方法产生更准确和完整的网格，特别是对于复杂几何体，从而能够在传统方法失败的更高分辨率下进行UDF表面提取。
🔬 方法详解
问题定义：论文旨在解决高分辨率下，将无符号距离场(UDFs)转换为高质量网格的问题。现有方法，如Marching Cubes等，在处理高分辨率UDF时，由于噪声和缺乏邻域信息，容易产生表面缺失、孔洞以及细节丢失等问题。尤其是在复杂几何体上，这些问题更加突出。
核心思路：论文的核心思路是通过迭代的方式，逐步利用邻域信息来优化网格生成。每一轮迭代都会基于前一轮的结果，结合邻域内的UDF值、梯度以及已提取的表面信息，来修正和完善当前体素内的表面重建。这种迭代式的优化过程能够有效地减少噪声的影响，并填补缺失的表面。
技术框架：该方法的核心是一个迭代神经网络。整体流程如下：1) 初始化：使用传统方法（如Marching Cubes）进行初步的网格提取。2) 迭代优化：将初步网格、UDF值和梯度输入到迭代神经网络中。神经网络会根据邻域信息，预测每个体素内的表面位置和法向量。3) 网格更新：根据神经网络的预测结果，更新网格的顶点位置和连接关系。4) 重复迭代优化和网格更新，直到达到预设的迭代次数或收敛条件。
关键创新：该方法最重要的创新点在于其迭代式的优化框架。与传统的单次网格提取方法不同，该方法能够充分利用邻域信息，逐步修正和完善网格。此外，该迭代神经网络的设计也至关重要，它需要能够有效地融合UDF值、梯度和已提取的表面信息，并预测出准确的表面位置和法向量。
关键设计：迭代神经网络的具体结构未知，但可以推测其输入包括：当前体素的UDF值、梯度、已提取的表面信息（如顶点位置、法向量），以及邻域体素的相应信息。损失函数的设计可能包括：UDF值的重建误差、表面法向量的平滑性约束，以及与真实表面的距离误差（如果存在真实表面）。迭代次数是一个重要的超参数，需要根据具体的应用场景进行调整。
🖼️ 关键图片
📊 实验亮点
论文通过实验证明，该方法在复杂几何体上的网格生成效果明显优于现有方法。具体而言，在相同分辨率下，该方法生成的网格具有更少的孔洞、更平滑的表面以及更准确的细节。在高分辨率下，传统方法往往失效，而该方法仍然能够生成高质量的网格。论文可能提供了定量的指标，如网格的Hausdorff距离、表面积误差等，来评估不同方法的性能。
🎯 应用场景
该研究成果可广泛应用于三维重建、计算机辅助设计(CAD)、医学图像处理、游戏开发等领域。尤其是在需要高精度和高质量三维模型的应用中，例如逆向工程、虚拟现实、文物数字化等，该方法具有重要的应用价值。未来，该方法有望进一步推广到更大规模、更复杂的场景中，并与其他三维重建技术相结合，实现更高效、更鲁棒的三维建模。
📄 摘要（原文）
Unsigned Distance Fields (UDFs) are a natural implicit representation for open surfaces but, unlike Signed Distance Fields (SDFs), are challenging to triangulate into explicit meshes. This is especially true at high resolutions where neural UDFs exhibit higher noise levels, which makes it hard to capture fine details. Most current techniques perform within single voxels without reference to their neighborhood, resulting in missing surface and holes where the UDF is ambiguous or noisy. We show that this can be remedied by performing several passes and by reasoning on previously extracted surface elements to incorporate neighborhood information. Our key contribution is an iterative neural network that does this and progressively improves surface recovery within each voxel by spatially propagating information from increasingly distant neighbors. Unlike single-pass methods, our approach integrates newly detected surfaces, distance values, and gradients across multiple iterations, effectively correcting errors and stabilizing extraction in challenging regions. Experiments on diverse 3D models demonstrate that our method produces significantly more accurate and complete meshes than existing approaches, particularly for complex geometries, enabling UDF surface extraction at higher resolutions where traditional methods fail.