在过去几年中，计算机视觉和计算机图形相关领域，特别是表面重建方面发展迅速。这个不断变化的三维扫描领域的主要目标是以给定的点云高效地重新创建表面，并满足特定的质量标准。这些算法旨在基于给定的点云数据估计被扫描对象表面的底层几何形状。然后可以利用这个表面进行各种用途，如可视化、虚拟现实、计算机辅助设计和医学成像。一些最著名的表面重建方法包括自组织映射、贝叶斯重建和泊松重建。随着表面重建成为三维扫描的关键方面，正在进行大量的研究，以利用无监督机器学习从三维扫描中进行表面重建的各种适用技术。
为了朝着这个方向迈进，来自图宾根大学、苏黎世联邦理工学院和捷克技术大学的一群研究人员合作开发了SDFStudio，这是一个统一而多功能的神经隐式表面重建工具（NISR）。该框架建立在nerfstudio项目之上，该项目主要提供API以简化创建、训练和可视化神经辐射场（NeRF）的过程。作为其实现的一部分，开发人员使用了三种主要的表面重建方法：UniSurf、VolSDF和NeuS。UniSurf，或称通用表面重建，是一种表面重建方法，旨在通过结合隐式函数和多边形网格从无组织的点云生成平滑的表面表示。另一方面，体积有符号距离场（VolSDF）是一种利用输入点云的体积表示的表面重建方法。NeuS，或神经表面，是一种利用深度神经网络从点云生成表面表示的表面重建方法，实质上结合了隐式表面表示和基于学习的方法的优势。
为了支持一系列场景表示和表面重建技术，SDFStudio使用有符号距离函数（SDF）作为其关键表示，该函数将表面定义为隐式函数的等值面。为了估计SDF，SDFStudio使用了多层感知器（MLPs）、三面和多分辨率特征网格等各种技术。这些技术利用神经网络和特征网格在场景中的不同位置估计有符号距离或占用值。为了进一步提高准确性和效率，该工具还包括多种点采样策略之一，其中之一是受UniSurf方法启发的面导向采样。此外，SDFStudio还采用了从NeuralReconW方法导出的体素表面导向采样。这种方法利用体素网格的信息来引导采样过程，确保生成的点更有可能位于对象的表面上。通过采用这种采样技术，SDFStudio确保生成的点样本代表底层表面，并确保重建表面的质量和准确性得到改善。
SDFStudio的一个显著特点是它提供了一个统一和模块化的实现，为在工具内不同方法之间转移思想和技术提供了便利的框架。例如，从Mono-NeuS到NeuS中观察到了思想转移。另一个思想转移的例子是Geo-VolSDF，它将Geo-NeuS的思想融入到VolSDF中。SDFStudio具备在不同方法之间转移思想的能力，促进了表面重建的进步，使研究人员有机会尝试不同的组合，从一个过程中获得灵感并将其整合到另一个过程中。为了快速开始使用SDFStudio，您可以按照其GitHub存储库上提供的设置说明进行操作。