GeoSVR : Maîtriser les voxels éparses pour une reconstruction de surface géométriquement précise

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

La reconstruction de surfaces précises à l'aide de champs de radiance a connu des progrès remarquables ces dernières années. Cependant, les approches dominantes, principalement basées sur le lissage gaussien, sont de plus en plus limitées par des goulots d'étranglement liés à la représentation. Dans cet article, nous présentons GeoSVR, un framework explicite basé sur des voxels qui explore et étend le potentiel sous-exploité des voxels clairsemés pour atteindre une reconstruction de surface précise, détaillée et complète. Parmi leurs atouts, les voxels clairsemés permettent de préserver l'exhaustivité de la couverture et la clarté géométrique, tout en présentant des défis liés à l'absence de contraintes de scène et à la localité dans le raffinement des surfaces. Pour garantir une convergence correcte de la scène, nous proposons d'abord une Contrainte de Profondeur à Incertitude Voxel qui maximise l'effet des indices de profondeur monoculaires tout en introduisant une incertitude orientée voxel pour éviter la dégradation de la qualité, permettant ainsi des contraintes de scène efficaces et robustes tout en préservant des géométries très précises. Par la suite, une Régularisation de Surface par Voxels Clairsemés est conçue pour améliorer la cohérence géométrique des petits voxels et faciliter la formation de surfaces nettes et précises basées sur les voxels. Des expériences approfondies démontrent notre performance supérieure par rapport aux méthodes existantes dans divers scénarios difficiles, excellant en précision géométrique, préservation des détails et exhaustivité de la reconstruction, tout en maintenant une efficacité élevée. Le code est disponible à l'adresse suivante : 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.