GeoSVR: Beherrschung spärlicher Voxel für geometrisch präzise Oberflächenrekonstruktion

GeoSVR: Taming Sparse Voxels for Geometrically Accurate Surface Reconstruction

September 22, 2025

papers.authors: Jiahe Li, Jiawei Zhang, Youmin Zhang, Xiao Bai, Jin Zheng, Xiaohan Yu, Lin Gu

cs.AI

papers.abstract

Die Rekonstruktion präziser Oberflächen mit Radiance Fields hat in den letzten Jahren bemerkenswerte Fortschritte erzielt. Allerdings werden vorherrschende Ansätze, die hauptsächlich auf Gaussian Splatting basieren, zunehmend durch Repräsentationsengpässe eingeschränkt. In diesem Artikel stellen wir GeoSVR vor, ein explizites voxelbasiertes Framework, das das bisher wenig erforschte Potenzial von spärlichen Voxeln für die Erzielung präziser, detaillierter und vollständiger Oberflächenrekonstruktionen untersucht und erweitert. Als Stärken unterstützen spärliche Voxel die Bewahrung der Abdeckungsvollständigkeit und geometrischen Klarheit, während sich entsprechende Herausforderungen aus fehlenden Szenenbeschränkungen und der Lokalität bei der Oberflächenverfeinerung ergeben. Um eine korrekte Szenenkonvergenz zu gewährleisten, schlagen wir zunächst eine Voxel-Unsicherheits-Tiefenbeschränkung vor, die die Wirkung monokularer Tiefenhinweise maximiert, während eine voxelorientierte Unsicherheit präsentiert wird, um Qualitätsverschlechterungen zu vermeiden. Dies ermöglicht effektive und robuste Szenenbeschränkungen bei gleichzeitiger Bewahrung hochpräziser Geometrien. Anschließend wird eine Sparse-Voxel-Oberflächenregularisierung entwickelt, um die geometrische Konsistenz für winzige Voxel zu verbessern und die voxelbasierte Bildung scharfer und präziser Oberflächen zu erleichtern. Umfangreiche Experimente demonstrieren unsere überlegene Leistung im Vergleich zu bestehenden Methoden in verschiedenen anspruchsvollen Szenarien, wobei wir in geometrischer Genauigkeit, Detailerhaltung und Rekonstruktionsvollständigkeit hervorstechen, während gleichzeitig eine hohe Effizienz gewährleistet wird. Der Code ist verfügbar unter https://github.com/Fictionarry/GeoSVR.

English

Reconstructing accurate surfaces with radiance fields has achieved remarkable progress in recent years. However, prevailing approaches, primarily based on Gaussian Splatting, are increasingly constrained by representational bottlenecks. In this paper, we introduce GeoSVR, an explicit voxel-based framework that explores and extends the under-investigated potential of sparse voxels for achieving accurate, detailed, and complete surface reconstruction. As strengths, sparse voxels support preserving the coverage completeness and geometric clarity, while corresponding challenges also arise from absent scene constraints and locality in surface refinement. To ensure correct scene convergence, we first propose a Voxel-Uncertainty Depth Constraint that maximizes the effect of monocular depth cues while presenting a voxel-oriented uncertainty to avoid quality degradation, enabling effective and robust scene constraints yet preserving highly accurate geometries. Subsequently, Sparse Voxel Surface Regularization is designed to enhance geometric consistency for tiny voxels and facilitate the voxel-based formation of sharp and accurate surfaces. Extensive experiments demonstrate our superior performance compared to existing methods across diverse challenging scenarios, excelling in geometric accuracy, detail preservation, and reconstruction completeness while maintaining high efficiency. Code is available at https://github.com/Fictionarry/GeoSVR.