nv-tlabs/NKSR

解决的问题

NKSR 解决了从大规模、稀疏且噪声严重的点云中重建高质量 3D 隐式表面的挑战。它特别克服了以往神经核表示方法的局限性，能够在保持对噪声鲁棒性的同时，处理跨度达数公里的超大规模场景和数百万个点。

工作原理

该系统基于 Neural Kernel Fields (NKF)，并采用了几项关键技术改进：

• 紧支撑核：使用仅在局部起作用的核函数，从而能够利用内存高效的稀疏线性求解器，实现对大规模环境的扩展。
• 梯度拟合：实现梯度拟合求解，确保重建结果对输入数据中的噪声具有鲁棒性。
• 灵活训练：从密集的有向点中学习，使模型能够混合来自尺度截然不同的物体和场景的训练数据。
• 外存处理：能够处理超出可用内存的超大场景，通过外存方式分块处理。

适用人群

本工具专为从事 3D 计算机视觉、机器人和数字孪生的研究人员和开发者设计，适用于需要将原始、噪声严重的点云数据（如 iPhone 扫描或 LiDAR 数据）转换为干净 3D 网格的场景。

主要亮点

• 高可扩展性：可在单张消费级 GPU（RTX 3090）上重建跨越数公里、包含数百万点的场景。
• 快速性能：可在数秒内完成数百万点的重建。
• 广泛应用：在单个物体、室内场景和室外环境中均被证明有效。
• 强泛化能力：具备出色的泛化能力，可在新数据上以极低的训练成本运行。