概率指向距离场在基于射线的形状表示中的应用

在现代计算机视觉中，3D形状的最优表示始终与具体任务相关。可微分渲染作为基本操作，使得学习框架中的逆向图形方法成为可能。传统的显式形状表示（体素、点云或网格）虽然易于渲染，但存在几何保真度有限等问题；而隐式表示（占用场、距离场或辐射场）虽保真度更高，却因复杂低效的渲染过程限制了可扩展性。

本研究设计了指向距离场（DDFs）——一种基于经典距离场的新型神经形状表示。DDF的核心操作是将定向点（位置和方向）映射为表面可见性和深度值。该方法支持高效可微分渲染，仅需单次前向传播即可获取像素深度，并通过额外反向传播提取微分几何量（如表面法线）。通过概率指向距离场（PDDFs），能够对底层场中固有的不连续性进行建模。

DDFs在多个应用中展现价值：

• 单形状拟合
• 生成建模
• 单图像3D重建

实验表明，通过该表示的通用性，仅需简单架构组件即可实现强大性能。由于DDFs的维度可能引发视角依赖的几何伪影，本研究进一步对其视角一致性约束进行了理论探讨，发现只需满足少量场属性即可保证DDF的一致性，无需预先知晓场表达的具体形状。