本文提出了一种名为LoD-NeuS的方法，通过自适应编码细节级别特征，利用神经信号距离场（SDF）进行重建，实现了高保真几何重建、抗锯齿重建、逼真视角合成和外观编辑。

• 论文背景: 近年来，隐式表示和神经渲染的进展为几何建模和新视角渲染提供了新的选择。
• 过去方案: 传统的NeRF方法在精细表面细节的准确重建方面仍存在挑战，而神经隐式曲面（NeuS）则通过使用有符号距离函数（SDF）来明确建模对象表面，取得了更好的重建结果。
• 论文的Motivation: 神经隐式曲面重建高频表面细节仍然具有挑战性，现有的方法在捕捉细粒度几何细节方面仍存在问题，因此本文提出了LoD-NeuS方法，通过自适应编码细节级别特征，解决了这一问题，并实现了高质量的几何重建和视角合成。

• a. 理论背景:
  • 本文介绍了一种名为LoD-NeuS的神经表示方法，用于高频几何细节恢复和抗锯齿的新视角渲染。该方法解决了准确重建细粒度表面细节和捕捉不同级别的表面几何细节的挑战。该方法将多尺度三平面特征体积与可微分的锥形采样和体积渲染相结合，以优化隐式表面表示。本文强调了现有方法的局限性，并介绍了LoD-NeuS在实现高质量表面重建和视角合成方面的贡献。
• b. 技术路线:
  • 本文详细介绍了LoD-NeuS方法。它描述了三平面位置编码和多尺度特征优化，用于捕捉隐式表面表示中的不同细节级别。本文还介绍了锥形视锥内的多卷积特征化，它近似于沿射线的锥形采样，并能够通过更精细的3D几何细节进行抗锯齿恢复。此外，本文还讨论了通过误差引导采样来促进薄表面的SDF生长的改进策略。

• a. 详细的实验设置:
  • 本文没有提供关于实验设置的具体信息。
• b. 详细的实验结果:
  • 本文在DTU数据集上的方法在定性比较和PSNR方面优于基线方法。由于粗糙的真实点云和缺失部分，Chamfer距离没有显示出显著的改进。在NeRF-synthetic数据集上，本文的方法在重现更精细的细节和实现准确的几何方面表现出优越性，与其他方法相比。