論文の概要: Volume Rendering with Metric--Phase Fields for Thin Structures and Sign-Ambiguous Geometry

• arxiv url: http://arxiv.org/abs/2610.13088v1
• Date: Fri, 09 Oct 2026 06:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.435141
• Title: Volume Rendering with Metric--Phase Fields for Thin Structures and Sign-Ambiguous Geometry
• Title（参考訳）: 薄型構造のための計量-位相場による体積レンダリングと記号-あいまいな幾何
• Abstract要約: 本稿では,MPF(Metric-Phase Fields)上に構築したニューラルボリュームレンダリングフレームワークを提案する。 MPFは幾何学を非負距離場とソフトサインキューを備えた連続位相場に分解する。 PhaseSurfはUDFベースの手法や最近の3DGSパイプラインよりも、より安定した再構成と高品質な幾何を生成する。
• 参考スコア（独自算出の注目度）: 65.01117565252021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural implicit surface methods that couple volume rendering with signed distance functions (SDFs), such as VolSDF and NeuS, achieve high-quality multi-view reconstruction for watertight objects. However, these approaches rely on a globally consistent inside-outside partition of space. This assumption becomes fragile for thin structures (e.g., sheets, tubes, and thin walls) and can break down for sign-ambiguous geometry (e.g., surfaces with boundary, non-manifold junctions, and closely spaced surface components), often resulting in spurious closures or loss of fine structures. Unsigned distance field (UDF) formulations relax the global sign requirement and better support non-watertight geometry, but are substantially harder to optimize. We propose PhaseSurf, a neural volume rendering framework built on Metric-Phase Fields (MPFs). MPFs decompose geometry into a nonnegative metric field capturing unsigned proximity and a continuous phase field providing a soft sign cue. By coupling the two through residual phase injection, MPFs yield a signed composite implicit function with stable near-surface gradients while retaining UDF-like robustness in sign-ambiguous regions. This design enables direct iso-surface extraction using standard Marching Cubes and avoids the failure modes of both pure SDF- and UDF-based formulations. We further introduce MPF-specific training losses that enforce metric consistency, stabilize phase transitions near the interface, and suppress spurious geometry in free space. Experiments on multi-view datasets with thin structures and sign-ambiguous geometry show that PhaseSurf produces more stable reconstructions and higher-quality geometry than UDF-based methods and recent 3DGS pipelines, while avoiding artifacts typical of SDF-based approaches.
• Abstract（参考訳）: VolSDFやNeuSのような符号付き距離関数(SDF)でボリュームレンダリングを結合するニューラル暗黙曲面法は、水密物体の高品質なマルチビュー再構成を実現する。 しかし、これらのアプローチは空間の全体的一貫した内部分割に依存している。 この仮定は、薄い構造(例えば、シート、チューブ、薄い壁)に対して脆弱になり、符号のあいまいな幾何学(例えば、境界を持つ曲面、非多様体の接合、そして密接な空間を持つ表面成分)を分解し、しばしば急激な閉鎖や微細構造の喪失をもたらす。 非符号距離場(UDF)の定式化は、グローバルサイン要件を緩和し、非水位幾何学をより良くサポートするが、最適化は非常に困難である。 本稿では,Metric-Phase Fields (MPF) 上に構築されたニューラルネットワークボリュームレンダリングフレームワークであるPyseSurfを提案する。 MPFは幾何学を非負距離場とソフトサインキューを備えた連続位相場に分解する。 これら2つの相注入を結合することにより、MPFは、符号あいまいな領域でUDFのような堅牢性を保ちながら、安定な近傍勾配を持つ符号付き複合暗黙関数を生成する。 この設計により、標準的なマーチングキューブを用いた直接等表面抽出が可能となり、純粋なSDFおよびUDFベースの定式化の失敗モードを回避することができる。 さらに、MPF固有のトレーニング損失を導入し、測定整合性を強制し、界面近傍の位相遷移を安定化し、自由空間における急激な幾何を抑制する。 細い構造と符号あいまいな形状を持つマルチビューデータセットの実験により、PhaseSurfはUDFベースの手法や最近の3DGSパイプラインよりも安定な再構成と高品質な幾何学を創出し、SDFベースのアプローチに典型的なアーティファクトを避けた。

関連論文リスト

• Hi-TOPS: Hierarchical Topology-aware Scoring Prior for 3D Part Decomposition [16.159550352097682]
  Hi-TOPSは階層型トポロジ対応のScoring Priorである。 多解像度フローフリーズ場に相補的な内在的キューを集約する。 セマンティックな監督や2Dファンデーションなしで、安定的で編集可能な分解を提供する。
  論文  参考訳（メタデータ） (2026-08-01T17:00:38Z)
• Metric--Phase Fields: Decoupling Distance and Sign for Thin-Structure Reconstruction from Unoriented Point Clouds [67.30236447078187]
  本稿では,距離近接を位相相から分離する非結合な暗黙的表現であるMetric-Phase Fields (MPFs)を紹介する。 合成および走査された薄殻形状と薄板形状の両方の実験により、MPFは最近のSDF法よりも薄くて層状構造を忠実に保存することが示された。
  論文  参考訳（メタデータ） (2026-05-25T07:08:57Z)
• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• Voronoi-Assisted Diffusion for Computing Unsigned Distance Fields from Unoriented Points [59.493891955043914]
  Voronoi-Assisted Diffusion (VAD) は、Unsigned Distance Fields (UDF) を計算するための軽量でネットワークフリーな方法である。 VADは水密面と開面を強く扱い、複雑な非多様体と非配向幾何学も扱う。
  論文  参考訳（メタデータ） (2025-10-14T13:49:53Z)
• Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes [29.65562721329593]
  本稿では,符号なし距離場(UDF)に基づくニューラル暗黙表現を提案する。 UODFでは、任意の空間点から形状表面への最小符号なし距離は、SDFとUDFの多方向決定とは対照的に、一方向のみに定義される。 本研究では,水密形状から水密形状から複雑な形状まで,様々な復元例を用いてUODFの有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-03T06:58:35Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• RangeUDF: Semantic Surface Reconstruction from 3D Point Clouds [106.54285912111888]
  本研究では,新たな暗黙的表現に基づくフレームワークであるRangeUDFを紹介し,点雲から連続した3次元シーン表面の形状と意味を復元する。 RangeUDFは4点のクラウドデータセット上で表面再構成を行うための最先端のアプローチを明らかに上回っている。
  論文  参考訳（メタデータ） (2022-04-19T21:39:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。