GeoSVR: Domando Vóxeles Dispersos para la Reconstrucción Superficial Geométricamente Precisa

GeoSVR: Taming Sparse Voxels for Geometrically Accurate Surface Reconstruction

September 22, 2025

Autores: Jiahe Li, Jiawei Zhang, Youmin Zhang, Xiao Bai, Jin Zheng, Xiaohan Yu, Lin Gu

cs.AI

Resumen

La reconstrucción de superficies precisas mediante campos de radiación ha logrado avances notables en los últimos años. Sin embargo, los enfoques predominantes, basados principalmente en *Gaussian Splatting*, se ven cada vez más limitados por cuellos de botella en la representación. En este artículo, presentamos GeoSVR, un marco explícito basado en vóxeles que explora y amplía el potencial poco investigado de los vóxeles dispersos para lograr una reconstrucción de superficies precisa, detallada y completa. Como fortalezas, los vóxeles dispersos permiten preservar la integridad de la cobertura y la claridad geométrica, aunque también surgen desafíos relacionados con la ausencia de restricciones en la escena y la localidad en el refinamiento de superficies. Para garantizar una convergencia correcta de la escena, primero proponemos una Restricción de Profundidad con Incertidumbre de Vóxeles que maximiza el efecto de las señales de profundidad monoculares mientras presenta una incertidumbre orientada a vóxeles para evitar la degradación de la calidad, permitiendo restricciones de escena efectivas y robustas, y preservando geometrías altamente precisas. Posteriormente, se diseña una Regularización de Superficie con Vóxeles Dispersos para mejorar la consistencia geométrica de vóxeles diminutos y facilitar la formación de superficies nítidas y precisas basadas en vóxeles. Experimentos extensos demuestran nuestro rendimiento superior en comparación con métodos existentes en diversos escenarios desafiantes, destacando en precisión geométrica, preservación de detalles y completitud de la reconstrucción, manteniendo una alta eficiencia. El código está disponible en 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.