只用RGB照片，重建3D表面精度破纪录！不确定性建模让遮挡区也稳了
NeuDonatello: Uncertainty-Aware Framework for Accurate Neural SDF Learning
📖 AI 总结
NeuDonatello 提出了一种面向神经 SDF 学习的不确定性感知框架，旨在解决仅依赖 RGB 图像进行三维表面重建时因无纹理区域、遮挡和场景歧义导致的几何精度不足问题。该框架通过蒙特卡洛采样策略建模空间变化的 SDF 不确定性，并据此设计自适应正则化机制，在 RGB 监督不可靠的区域强化几何约束，避免错误表面重建。此外，框架引入基于不确定性的尺度参数用于 SDF 到密度的转换，提升空间密度建模的准确性。实验表明，NeuDonatello 在多种场景下仅使用带位姿的 RGB 图像即可达到最先进的重建精度，并展现出较强的鲁棒性。该研究为神经表面重建中的不确定性处理提供了新思路，已被 BMVC 2026 接收。
🔑 关键词速览
| Neural surface reconstruction | 利用神经网络从多视角图像恢复3D表面的技术。 |
| Signed distance function (SDF) | 一种表示3D形状的函数，返回点到表面最近的有符号距离。 |
| Monte Carlo sampling | 一种通过随机采样来估计数值的方法，用于建模不确定性。 |
| Adaptive regularization | 一种根据数据可靠性动态调整约束强度的正则化技术。 |
| Uncertainty-aware scale parameter | 一种根据不确定性调整SDF到密度转换的尺度参数，以提高建模精度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅