论文介绍
隐式神经表示在离线3D重建中显示出令人信服的结果，最近也显示了在线SLAM系统的潜力。然而，还没有研究将它们应用于自主3D重建，其中机器人需要探索场景并为重建规划视图路径。在本文中，我们通过解决两个关键挑战，首次探索了将隐式神经表示用于自主3D场景重建的可能性：
1）寻求一种标准，以测量基于新表示的视图规划的候选视点的质量。
2）从可以推广到不同场景而不是手工制作场景的数据中学习标准。
对于第一个挑战，提出了峰值信噪比（PSNR）的代理来量化视点质量。通过将场景中空间点的颜色视为高斯分布下的随机变量而非确定性变量来获取代理；分布的方差量化了重建的不确定性，并构成了代理。
对于第二个挑战，代理与场景的隐式神经网络的参数一起优化。利用所提出的视图质量标准，我们可以将新的表示应用于自主3D重建。与使用TSDF的变体或无视图规划的重建相比，我们的方法在渲染图像质量和重建的3D模型的几何质量的各种度量上都有显著改进。
论文地址
https://arxiv.org/abs/2207.10985
