18、大规模场景的高分辨率重建技术解析

大规模场景的高分辨率重建技术解析

1. 训练效率对比

在大规模场景的高分辨率重建中，不同方法的训练效率差异显著。以下是几种方法在训练时间、参数数量和 GPU 内存使用方面的对比：
| 方法 | 训练时间 (h) | 参数数量 | GPU 内存 (MB) (~100,000 rays) |
| ---- | ---- | ---- | ---- |
| Nerf | 25.5 | 162,959 | 182,324 |
| IDR | 17.3 | 2,915,258 | 42,465 |
| SurRF | 10.0 | 369,078 | 10,324 |
| ParseMVS (ours) | 1.0 | 131,072 | 2048 |

从表格中可以看出，ParseMVS 具有明显的优势。它的训练速度大约比其他方法快 10 倍，GPU 效率也比其他方法高约 10 倍。这是因为 ParseMVS 的表面属性在每个图元的 2D 空间中进行局部建模和优化，其有效的图元感知表示极大地提高了网络训练效率。

2. 高分辨率重建的背景与挑战

深度学习的发展显著提升了计算成像能力，但高性能成像在启发和推动更强大的重建方案方面的优势尚未得到广泛研究。高性能成像方法的普及既带来了挑战，也为下游重建算法的发展提供了新机遇。然而，目前传感和重建算法的发展之间存在显著差距，阻碍了传感技术的充分利用。

为了弥合这一差距，引入了具有卓越能力的高分辨率重建技术，以更好地恢复纹理和几何形状。

3. 无监督多视图立体视觉的表面辐射场

高分辨率几何重建在许多下游行业