本文提出了一种基于一次性视角规划的主动隐式重建方法，通过使用深度神经网络和隐式表示，实现了在有限的资源条件下最大化物体重建的信息量。通过在初始稀疏观测的基础上预测一组视角，以及使用隐式表示来填补缺失的表面区域，该方法在有限的视角和移动预算下实现了高质量的重建结果。

• 论文背景: 主动物体重建涉及使用自主机器人放置传感器视角，以获取有关待重建物体的信息。其中一个主要目标是在有限的资源条件下最大化重建质量，如移动成本和视角预算。
• 过去方案: 以往的视角规划方法通常采用迭代范式，根据当前的显式表示选择最具信息量的下一个最佳视角。然而，这些方法存在效率低下的问题，因为它们需要频繁更新3D表示并迭代地规划到达最佳视角的路径。
• 论文的Motivation: 为了解决现有方法的局限性，本文将隐式表示集成到一次性视角规划中。通过使用隐式表示来填补缺失的表面区域，而不是通过额外的视角观察，实现了更高效的重建方法。通过设计一个名为OSVP的深度神经网络，直接预测给定初始稀疏观测的稠密点云的一组视角。通过在隐式表示和集合覆盖优化问题的基础上生成监督标签来训练OSVP网络。通过模拟实验和真实世界的物体重建场景，证明了该方法在有限的视角和移动预算下实现了足够的重建质量，并优于几个基准方法。

• a. 理论背景:
  • 本文介绍了使用自主机器人进行主动物体重建的概念，并旨在在有限资源下最大化重建物体的信息。文中强调了先前视角规划方法的低效性，并提出将隐式表示集成到一次性视角规划（OSVP）方法中以解决这些限制。OSVP方法使用深度神经网络根据从初始稀疏观察中细化的密集点云预测一组视角。文中还提到了该方法在实际物体重建场景中的适用性。
• b. 技术路线:
  • 本文提出了一种名为OSVP的主动隐式重建方法。该方法通过生成训练数据集来学习一次性视角规划，通过从隐式表示中细化的密集表面点找到最小的视角集合以实现完全覆盖。OSVP网络被设计为在给定初始稀疏点云和POCO细化的密集点云的情况下预测最小的视角集合。预测的视角然后使用全局路径规划连接以减少移动成本。

• a. 详细的实验设置:
  • 本文提到进行了模拟实验来评估所提方法的性能。将OSVP方法的结果与几种最先进的基于NBV和一次性视角规划的方法进行了比较。实验使用了有限的资源预算，包括视角数量和移动成本。
• b. 详细的实验结果:
  • 本文强调了实验结果，显示OSVP方法在有限的视角和移动预算下实现了足够的重建质量，并且优于几个基线方法。文中提供了使用基于隐式表示的OSVP方法和基于显式表示的NBV规划方法进行重建的可视化比较。结果显示，OSVP方法在较低的表面覆盖和移动成本下实现了可比较的网格质量。