GeoSVR: Domando Voxels Esparsos para Reconstrução de Superfícies Geometricamente Precisas

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

Resumo

A reconstrução de superfícies precisas com campos de radiação tem alcançado progressos notáveis nos últimos anos. No entanto, as abordagens predominantes, baseadas principalmente em *Gaussian Splatting*, estão cada vez mais limitadas por gargalos de representação. Neste artigo, apresentamos o GeoSVR, uma estrutura explícita baseada em voxels que explora e amplia o potencial pouco investigado dos voxels esparsos para alcançar uma reconstrução de superfície precisa, detalhada e completa. Como pontos fortes, os voxels esparsos permitem preservar a completude da cobertura e a clareza geométrica, embora desafios correspondentes também surjam devido à ausência de restrições de cena e à localidade no refinamento da superfície. Para garantir a convergência correta da cena, propomos primeiro uma Restrição de Profundidade com Incerteza de Voxel (*Voxel-Uncertainty Depth Constraint*) que maximiza o efeito das pistas de profundidade monoculares, ao mesmo tempo que apresenta uma incerteza orientada por voxel para evitar a degradação da qualidade, permitindo restrições de cena eficazes e robustas, mas preservando geometrias altamente precisas. Posteriormente, a Regularização de Superfície de Voxel Esparso (*Sparse Voxel Surface Regularization*) é projetada para melhorar a consistência geométrica de voxels minúsculos e facilitar a formação de superfícies nítidas e precisas baseadas em voxels. Experimentos extensivos demonstram nosso desempenho superior em comparação com métodos existentes em diversos cenários desafiadores, destacando-se em precisão geométrica, preservação de detalhes e completude da reconstrução, mantendo alta eficiência. O código está disponível em 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.