GeoSVR: Het temmen van sparse voxels voor geometrisch nauwkeurige oppervlakreconstructie

GeoSVR: Taming Sparse Voxels for Geometrically Accurate Surface Reconstruction

September 22, 2025

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

cs.AI

Samenvatting

Het reconstrueren van nauwkeurige oppervlakken met stralingsvelden heeft de afgelopen jaren opmerkelijke vooruitgang geboekt. Echter worden heersende benaderingen, voornamelijk gebaseerd op Gaussian Splatting, steeds meer beperkt door representatieproblemen. In dit artikel introduceren we GeoSVR, een expliciet voxelgebaseerd raamwerk dat het onderbenutte potentieel van sparse voxels verkent en uitbreidt om nauwkeurige, gedetailleerde en complete oppervlakreconstructie te bereiken. Als sterke punten ondersteunen sparse voxels het behoud van dekking en geometrische duidelijkheid, terwijl er ook uitdagingen ontstaan door ontbrekende scènebeperkingen en lokaliteit in oppervlakverfijning. Om een correcte scèneconvergentie te garanderen, stellen we eerst een Voxel-Onzekerheidsdiepte Beperking voor die het effect van monoculaire dieptesignalen maximaliseert, terwijl een voxelgeoriënteerde onzekerheid wordt gepresenteerd om kwaliteitsverlies te voorkomen, waardoor effectieve en robuuste scènebeperkingen mogelijk worden gemaakt terwijl zeer nauwkeurige geometrieën behouden blijven. Vervolgens is Sparse Voxel Surface Regularisatie ontworpen om geometrische consistentie voor kleine voxels te verbeteren en de voxelgebaseerde vorming van scherpe en nauwkeurige oppervlakken te vergemakkelijken. Uitgebreide experimenten tonen onze superieure prestaties aan in vergelijking met bestaande methoden in diverse uitdagende scenario's, waarbij we uitblinken in geometrische nauwkeurigheid, detailbehoud en reconstructiecompleetheid, terwijl een hoge efficiëntie wordt behouden. Code is beschikbaar op 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.