基于动态占用网格的快速隐式神经表面重建

doi:10.11772/j.issn.1001-9081.2025030333

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (3): 907-914.DOI: 10.11772/j.issn.1001-9081.2025030333

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于动态占用网格的快速隐式神经表面重建

薛苏玲, 何金旭, 魏文洁, 何荧荧, 娄路()

重庆交通大学信息科学与工程学院，重庆 400074

收稿日期:2025-03-31 修回日期:2025-05-13 接受日期:2025-05-15 发布日期:2025-05-28 出版日期:2026-03-10
通讯作者: 娄路
作者简介:薛苏玲（2001—），女，重庆人，硕士研究生，CCF会员，主要研究方向：多视图三维重建
何金旭（2001—），男，四川广安人，硕士研究生，主要研究方向：多视图三维重建
魏文洁（2000—），女，内蒙古赤峰人，硕士研究生，主要研究方向：三维重建
何荧荧（2000—），女，湖北仙桃人，硕士研究生，主要研究方向：激光点云三维重建

Fast neural implicit surface reconstruction based on dynamic occupancy grid

Suling XUE, Jinxu HE, Wenjie WEI, Yingying HE, Lu LOU()

School of Information Science and Engineering，Chongqing Jiaotong University，Chongqing 400074，China

Received:2025-03-31 Revised:2025-05-13 Accepted:2025-05-15 Online:2025-05-28 Published:2026-03-10
Contact: Lu LOU
About author:XUE Suling， born in 2001， M. S. candidate. Her research interests include multi-view 3D reconstruction.
HE Jinxu， born in 2001， M. S. candidate. His research interests include multi-view 3D reconstruction.
WEI Wenjie， born in 2000， M. S. candidate. Her research interests include 3D reconstruction.
HE Yingying， born in 2000， M. S. candidate. Her research interests include laser point cloud 3D reconstruction.
Supported by:
National Natural Science Foundation of China(52172381);Chongqing Natural Science Foundation(cstc2021jcyj-msxmX1121);Chongqing Graduate Research and Innovation Project(2024yjkc001)

摘要/Abstract

摘要：

针对隐式神经表面（NeuS）重建中密集采样及体积渲染导致的效率与精度失衡问题，提出一种快速高效的重建方法。首先，采用动态占用网格结合密度阈值的方法来优化筛选有效采样点，从而降低冗余计算和内存占用；其次，融合多分辨率哈希编码和截断符号距离场（TSDF），以通过截断距离约束和哈希特征插值来增强梯度稳定性与抗噪能力；最后，引入光度一致性约束来利用归一化交叉相关（NCC）优化跨视角几何一致性，从而提高表面重建的质量。实验结果表明：在仿真数据集Nerf-Synthetic上，所提方法的训练时间相较于神经辐射场（NeRF）缩短了98.8%；虽比采用CUDA （Compute Unified Device Architecture）加速的Instant-NGP （Instant Neural Graphics Primitives）长，但表面重建质量得到明显提升。在真实数据集DTU上，该方法的表面重建误差倒角距离（CD）和新视角合成指标峰值信噪比（PSNR）优于大多数现有方法，较Instant-NGP分别降低了1.21 mm和提高2.93 dB；虽略逊于Neuralangelo （CD提升0.02 mm、PSNR降低2.05 dB），但是训练耗时相较于Neuralangelo缩短了97.5%。可见，该方法能够有效提升训练效率且保证重建精度，实用性好，适用于复杂结构场景的高效三维重建。

关键词: 隐式神经表面, 三维重建, 截断符号距离场, 动态占用网格, 光度一致性约束

Abstract:

To address the imbalance between efficiency and accuracy in Neural implicit Surface （NeuS） reconstruction caused by dense sampling and volumetric rendering， a fast and efficient reconstruction method was proposed. Firstly， dynamic occupancy grids were combined with density thresholds to optimize and select effective sampling points， thereby reducing redundant computation and memory usage. Then， multi-resolution hash encoding was integrated with Truncated Signed Distance Field （TSDF） to enhance gradient stability and noise resistance ability through truncated distance constraint and hash feature interpolation. Finally， photometric consistency constraint was introduced to optimize across-view geometric consistency using Normalized Cross-Correlation （NCC）， thereby improving the quality of surface reconstruction. Experimental results show that on the synthetic dataset NeRF-Synthetic， the proposed method reduces the training time by 98.8% compared to Neural Radiance Field （NeRF）. Although the training time of the proposed method is longer than that of Instant-NGP （Instant Neural Graphics Primitives） accelerated by CUDA （Compute Unified Device Architecture）， it achieves significantly superior surface reconstruction quality. On the real dataset DTU， the method achieves a surface reconstruction Chamfer Distance （CD） and a new-view synthesis Peak Signal-to-Noise Ratio （PSNR） significantly better than most existing methods， with CD reduced by 1.21 mm and PSNR higher by 2.93 dB compared to Instant-NGP. Though the metrics of the proposed method are slightly worse than Neuralangelo （with CD higher by 0.02 mm and PSNR lower by 2.05 dB）， the training time of the proposed method is reduced by 97.5% compared to Neuralangelo. It can be seen that this method can improve training efficiency and ensure reconstruction accuracy effectively with good practicality， and is suitable for efficient 3D reconstruction in complex structural scenes.

Key words: Neural implicit Surface (NeuS), 3D reconstruction, Truncated Signed Distance Field (TSDF), dynamic occupancy grid, photometric consistency constraint

中图分类号:

TP391.41

薛苏玲, 何金旭, 魏文洁, 何荧荧, 娄路. 基于动态占用网格的快速隐式神经表面重建[J]. 计算机应用, 2026, 46(3): 907-914.

Suling XUE, Jinxu HE, Wenjie WEI, Yingying HE, Lu LOU. Fast neural implicit surface reconstruction based on dynamic occupancy grid[J]. Journal of Computer Applications, 2026, 46(3): 907-914.

图/表 8

参考文献 28

[1]	MILDENHALL B， SRINIVASAN P P， TANCIK M， et al. NeRF： representing scenes as neural radiance fields for view synthesis［J］. Communications of the ACM， 2022， 65（1）： 99-106.
[2]	WANG P， LIU L， LIU Y， et al. NeuS： learning neural implicit surfaces by volume rendering for multi-view reconstruction［C］// Proceedings of the 35th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2021： 27171-27183.
[3]	HUANG B， YU Z， CHEN A， et al. 2D Gaussian splatting for geometrically accurate radiance fields［C］// Proceedings of the 2024 ACM SIGGRAPH Conference. New York： ACM， 2024： No.32.
[4]	YU Z， SATTLER T， GEIGER A. Gaussian opacity fields： efficient adaptive surface reconstruction in unbounded scenes［J］. ACM Transactions on Graphics， 2024， 43（6）： No.271.
[5]	LI R， TANCIK M， KANAZAWA A. NeRFAcc： a general NeRF acceleration toolbox［EB/OL］. ［2024-10-08］..
[6]	MIN C， CHA S， WON C， et al. TSDF-Sampling： efficient sampling for neural surface field using truncated signed distance field［EB/OL］. ［2024-10-08］..
[7]	YAO Y， LUO Z， LI S， et al. MVSNet： depth inference for unstructured multi-view stereo［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11212. Cham： Springer， 2018： 785-801.
[8]	YOO J C， HAN T H. Fast normalized cross-correlation［J］. Circuits， Systems， and Signal Processing， 2009， 28（6）： 819-843.
[9]	SCHÖNBERGER J L， ZHENG E， FRAHM J M， et al. Pixelwise view selection for unstructured multi-view stereo［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9907. Cham： Springer， 2016： 501-518.
[10]	REISER C， PENG S， LIAO Y， et al. KiloNeRF： speeding up neural radiance fields with thousands of tiny MLPs［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 14315-14325.
[11]	BARRON J T， MILDENHALL B， TANCIK M， et al. Mip-NeRF： a multiscale representation for anti-aliasing neural radiance fields［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 5835-5844.
[12]	YU A， LI R， TANCIK M， et al. PlenOctrees for real-time rendering of neural radiance fields［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 5732-5741.
[13]	TANCIK M， WEBER E， NG E， et al. Nerfstudio： a modular framework for neural radiance field development［C］// Proceedings of the ACM SIGGRAPH 2023 Conference. New York： ACM， 2023： 1-12.
[14]	SUN C， SUN M， CHEN H T. Direct voxel grid optimization： super-fast convergence for radiance fields reconstruction［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 5449-5459.
[15]	WANG J， BLEJA T， AGAPITO L. GO-Surf： neural feature grid optimization for fast， high-fidelity RGB-D surface reconstruction［C］// Proceedings of the 2022 International Conference on 3D Vision. Piscataway： IEEE， 2022： 433-442.
[16]	MÜlLLER T， EVANS A， SCHIED C， et al. Instant neural graphics primitives with a multiresolution hash encoding［J］. ACM Transactions on Graphics， 2022， 41（4）： No.102.
[17]	LI H， YANG X， ZHAI H， et al. Vox-Surf： voxel-based implicit surface representation［J］. IEEE Transactions on Visualization and Computer Graphics， 2024， 30（3）： 1743-1755.
[18]	WANG Y， HAN Q， HABERMANN M， et al. NeuS2： fast learning of neural implicit surfaces for multi-view reconstruction［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2023： 3272-3283.
[19]	ZHAO F， JIANG Y， YAO K， et al. Human performance modeling and rendering via neural animated mesh［J］. ACM Transactions on Graphics， 2022， 41（6）： No.235.
[20]	XU J， XU Q， LIAO X， et al. PR-NeuS： a prior-based residual learning paradigm for fast multi-view neural surface reconstruction［EB/OL］. ［2024-10-08］..
[21]	YU Z， PENG S， NIEMEYER M， et al. MonoSDF： exploring monocular geometric cues for neural implicit surface reconstruction［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 25018-25032.
[22]	FU Q， XU Q， ONG Y S， et al. Geo-NeuS： geometry-consistent neural implicit surfaces learning for multi-view reconstruction ［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 3403-3416.
[23]	LI Z， MÜLLER T， EVANS A， et al. Neuralangelo： high-fidelity neural surface reconstruction［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 8456-8465.
[24]	ZHONG L， YANG L， LI K， et al. Color-NeuS： reconstructing neural implicit surfaces with color［C］// Proceedings of the 2024 International Conference on 3D Vision. Piscataway： IEEE， 2024： 631-640.
[25]	SUN J， CHEN X， WANG Q， et al. Neural 3D reconstruction in the wild［C］// Proceedings of the 2022 ACM SIGGRAPH Conference. New York： ACM， 2022： No.26.
[26]	JENSEN R， DAHL A， VOGIATZIS G， et al. Large scale multi-view stereopsis evaluation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014： 406-413.
[27]	BARROW H G， TENENBAUM J M， BOLLES R C， et al. Parametric correspondence and chamfer matching： two new techniques for image matching［C］// Proceedings of the 5th International Joint Conference on Artificial Intelligence. San Francisco： Morgan Kaufmann Publishers Inc.， 1977： 659-663.
[28]	HORÉ A， ZIOU D. Image quality metrics： PSNR vs. SSIM［C］// Proceedings of the 20th International Conference on Pattern Recognition. Piscataway： IEEE， 2010： 2366-2369.

方法	不同场景下的CD/mm															平均CD/mm	训练时间/min
方法	24	37	40	55	63	65	69	83	97	105	106	110	114	118	122	平均CD/mm	训练时间/min
NeuS	1.00	1.37	0.93	0.43	1.10	0.65	0.57	1.48	1.09	0.83	0.52	1.20	0.35	0.49	0.54	0.84	480.0
Neuralangelo	0.37	0.72	0.35	0.35	0.87	0.54	0.53	1.29	0.97	0.73	0.47	0.74	0.32	0.41	0.43	0.61	1 170.0
Instant-NGP	1.68	1.93	1.57	1.16	2.00	1.56	1.81	2.33	2.16	1.88	1.76	2.32	1.86	1.80	1.72	1.84	5.0
Instant-NSR	2.86	2.81	2.09	0.81	1.65	1.39	1.47	1.67	2.47	1.12	1.22	2.30	0.98	1.41	0.95	1.68	8.5
NeuS2	0.56	0.76	0.49	0.37	0.92	0.71	0.76	1.22	1.08	0.63	0.59	0.89	0.40	0.48	0.55	0.70	5.0
2DGS	0.48	0.91	0.39	0.39	1.01	0.83	0.81	1.36	1.27	0.76	0.70	1.40	0.40	0.76	0.52	0.80	10.9
GOF	0.50	0.82	0.37	0.37	1.12	0.74	0.73	1.18	1.29	0.68	0.77	0.90	0.42	0.66	0.49	0.74	18.4
本文方法	0.58	0.69	0.62	0.30	0.82	0.81	0.60	0.82	0.98	0.62	0.42	1.10	0.31	0.45	0.38	0.63	29.0

方法	不同场景下的CD/mm															平均CD/mm	训练时间/min
方法	24	37	40	55	63	65	69	83	97	105	106	110	114	118	122	平均CD/mm	训练时间/min
NeuS	1.00	1.37	0.93	0.43	1.10	0.65	0.57	1.48	1.09	0.83	0.52	1.20	0.35	0.49	0.54	0.84	480.0
Neuralangelo	0.37	0.72	0.35	0.35	0.87	0.54	0.53	1.29	0.97	0.73	0.47	0.74	0.32	0.41	0.43	0.61	1 170.0
Instant-NGP	1.68	1.93	1.57	1.16	2.00	1.56	1.81	2.33	2.16	1.88	1.76	2.32	1.86	1.80	1.72	1.84	5.0
Instant-NSR	2.86	2.81	2.09	0.81	1.65	1.39	1.47	1.67	2.47	1.12	1.22	2.30	0.98	1.41	0.95	1.68	8.5
NeuS2	0.56	0.76	0.49	0.37	0.92	0.71	0.76	1.22	1.08	0.63	0.59	0.89	0.40	0.48	0.55	0.70	5.0
2DGS	0.48	0.91	0.39	0.39	1.01	0.83	0.81	1.36	1.27	0.76	0.70	1.40	0.40	0.76	0.52	0.80	10.9
GOF	0.50	0.82	0.37	0.37	1.12	0.74	0.73	1.18	1.29	0.68	0.77	0.90	0.42	0.66	0.49	0.74	18.4
本文方法	0.58	0.69	0.62	0.30	0.82	0.81	0.60	0.82	0.98	0.62	0.42	1.10	0.31	0.45	0.38	0.63	29.0

方法	不同场景下的PSNR/dB															平均 PSNR/dB
方法	24	37	40	55	63	65	69	83	97	105	106	110	114	118	122	平均 PSNR/dB
NeuS	26.62	23.64	26.43	25.59	30.61	32.83	29.24	33.71	26.85	31.97	32.18	28.92	28.41	35.00	34.81	29.79
Neuralangelo	30.64	27.78	32.70	34.18	35.15	35.89	31.47	36.82	30.13	35.92	36.61	32.60	31.20	38.41	38.05	33.84
Instant-NGP	28.32	27.19	30.45	29.81	31.22	27.78	24.79	31.23	26.96	30.62	25.62	28.60	29.50	27.91	32.93	28.86
Instant-NSR	23.86	24.97	25.3	25.43	29.52	26.17	22.93	26.72	25.94	27.71	23.12	25.44	26.70	25.13	28.19	25.81
NeuS2	28.44	27.14	29.70	29.67	31.75	27.83	24.84	31.24	26.86	30.57	26.05	28.93	28.98	27.82	32.48	28.82
本文方法	32.56	27.26	31.36	31.39	35.69	32.87	30.70	31.38	27.23	33.69	30.44	28.85	32.76	32.88	37.67	31.79

方法	不同场景下的PSNR/dB															平均 PSNR/dB
方法	24	37	40	55	63	65	69	83	97	105	106	110	114	118	122	平均 PSNR/dB
NeuS	26.62	23.64	26.43	25.59	30.61	32.83	29.24	33.71	26.85	31.97	32.18	28.92	28.41	35.00	34.81	29.79
Neuralangelo	30.64	27.78	32.70	34.18	35.15	35.89	31.47	36.82	30.13	35.92	36.61	32.60	31.20	38.41	38.05	33.84
Instant-NGP	28.32	27.19	30.45	29.81	31.22	27.78	24.79	31.23	26.96	30.62	25.62	28.60	29.50	27.91	32.93	28.86
Instant-NSR	23.86	24.97	25.3	25.43	29.52	26.17	22.93	26.72	25.94	27.71	23.12	25.44	26.70	25.13	28.19	25.81
NeuS2	28.44	27.14	29.70	29.67	31.75	27.83	24.84	31.24	26.86	30.57	26.05	28.93	28.98	27.82	32.48	28.82
本文方法	32.56	27.26	31.36	31.39	35.69	32.87	30.70	31.38	27.23	33.69	30.44	28.85	32.76	32.88	37.67	31.79

方法	不同场景下的PSNR/dB								平均 PSNR/dB	训练时间/min
方法	chair	drums	ficus	hotdog	lego	materials	mic	ship	平均 PSNR/dB	训练时间/min
COLMAP	15.42	8.06	15.12	12.21	12.31	14.56	9.29	10.02	12.12	78.0
Mip-NeRF	34.01	24.36	26.66	36.44	33.20	27.91	31.50	28.66	30.34	210.0
NeRF	33.43	25.12	30.31	36.39	32.86	29.84	13.03	28.80	28.72	1 404.0
Instant-NGP	35.07	24.57	30.29	37.02	35.65	28.96	35.41	30.61	32.20	2.5
Nerfstudio	32.94	22.48	27.82	31.09	31.37	25.38	33.74	28.71	29.19	9.6
本文方法	35.64	27.52	30.85	38.70	34.95	27.64	33.33	28.84	32.18	16.0

基于动态占用网格的快速隐式神经表面重建

Fast neural implicit surface reconstruction based on dynamic occupancy grid

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 28

相关文章 15

编辑推荐

Metrics

[1]	李俊伯, 秦品乐, 曾建潮, 李萌. 基于超分辨率网络的CT三维重建算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 584-591.
[2]	张豪, 张强, 邵思羽, 丁海斌. 深度学习在单图像三维模型重建的应用[J]. 计算机应用, 2020, 40(8): 2351-2357.
[3]	郭艺辉, 黄承慧, 钟雪灵, 陆寄远. 方向感知的网格模型特征识别[J]. 计算机应用, 2019, 39(12): 3673-3677.
[4]	刘思奇, 张来峰, 范立成, 盛小明. 基于医学图像序列面绘制的骨组织快速成型方法[J]. 计算机应用, 2017, 37(5): 1456-1459.
[5]	李肖, 葛宝臻, 罗其俊, 李云鹏, 田庆国. 自由双目立体视觉摄像机动态外参数的获取[J]. 计算机应用, 2017, 37(10): 2888-2894.
[6]	吴茜贾婧曹瑞芬裴曦吴爱东吴宜灿 FDS团队. 三维医学图像配准在图像引导放疗中的应用[J]. 计算机应用, 2013, 33(09): 2675-2678.
[7]	陈维涛陈东帆韩兴乾周晨高祥. 声带麻痹植入手术的有限元仿真模拟[J]. 计算机应用, 2013, 33(03): 896-900.
[8]	李怀泽沈会良程岳. 基于旋转多视角深度配准的三维重建方法[J]. 计算机应用, 2012, 32(12): 3365-3368.
[9]	赵璐璐耿国华王小凤刘倩. 基于未标定多幅图的三维重建算法[J]. 计算机应用, 2012, 32(10): 2802-2805.
[10]	陈敏张志毅田素垒张娴. 基于三角形外接圆的轮廓对应算法[J]. 计算机应用, 2012, 32(03): 722-724.
[11]	马伟陈家新潘维薇. 基于体素相似度的医学图像层间插值方法[J]. 计算机应用, 2012, 32(02): 538-553.
[12]	杨军石传奎党建武. 基于序列图像的鲁棒三维重建方法[J]. 计算机应用, 2011, 31(06): 1566-1568.
[13]	封泽希张辉谢永明朱敏. 基于4目阵列的计算机视觉三维重建算法[J]. 计算机应用, 2011, 31(04): 1043-1046.
[14]	娄静涛王炜张茂军陈旺. 基于单幅全向图像的空间水平直线定位新方法[J]. 计算机应用, 2009, 29(09): 2593-2595.
[15]	黎蔚韩利华陈家新冀治航. 一种辅助轮廓线的断层医学图像三维重建算法[J]. 计算机应用, 2008, 28(9): 2278-2280.

方法	哈希编码	加速策略	几何约束	CD/mm	训练时间/min
NeuS				0.84	480
Neuralangelo	√			0.61	1 170
本文方法（+f）	√	√		0.65	28
本文方法（+f+c）	√	√	√	0.63	29

方法	哈希编码	加速策略	几何约束	CD/mm	训练时间/min
NeuS				0.84	480
Neuralangelo	√			0.61	1 170
本文方法（+f）	√	√		0.65	28
本文方法（+f+c）	√	√	√	0.63	29