基于高频信息引导的神经隐式表面重建方法FreNeuS：提升三维表面细节重构精度

针对神经隐式3D重建方法（如NeuS）因随机采样导致表面细节丢失的问题，研究人员提出FreNeuS方法，通过梯度检测获取高频信息，动态调整射线采样策略并设计高频约束机制。实验表明，该方法在DTU数据集上误差降低13%，显著提升纹理细节还原能力，为计算机视觉领域的高精度三维重建提供新思路。

　　

在计算机视觉和图形学领域，三维表面重建技术一直是研究热点。传统方法依赖显式几何表达，如体素或点云，但面临内存消耗大或数据缺失等问题。近年来，神经辐射场（Neural Radiance Fields, NeRF）及其衍生方法（如NeuS、VolSDF）通过隐式表示和体积渲染实现了无需3D监督的重建，然而这些方法因随机采样策略难以捕捉高频细节，导致重建表面过度平滑。例如，屋顶纹理、材质边缘等细微结构常被模糊化处理。这一局限性严重制约了高保真场景重建的应用价值，尤其在医疗影像、虚拟现实等领域亟需突破。

针对上述问题，中国研究人员提出FreNeuS（Frequency-guided Neural Surface Reconstruction）方法。该方法创新性地利用图像梯度变化检测高频区域，通过动态采样和像素空间约束机制增强细节重建。实验表明，FreNeuS在DTU数据集上误差降低13%，在NeRF-synthetic数据集上纹理清晰度显著提升。相关成果发表于《Journal of Visual Communication and Image Representation》。

关键技术包括：1）基于Sobel算子的高频区域检测；2）高频信息引导的动态射线采样（高/低频区域采用不同采样密度）；3）高频信号约束损失函数设计。实验使用DTU数据集（15个真实场景，49-64视图）和NeRF-synthetic数据集进行验证。

方法
研究团队首先通过像素梯度分析提取高频信息（如深度突变、颜色跳变区域），将其作为额外输入。与传统随机采样不同，FreNeuS根据高频区域分布动态调整采样比例，在细节密集区域增加采样点。此外，设计的高频权重约束模块通过最小化渲染图像与真实图像的频域差异，强化网络对细节的学习能力。

实验结果
在DTU数据集上，FreNeuS的Chamfer距离误差比NeuS降低13%，高频区域重建精度提升显著。可视化对比显示，屋顶瓦片、雕刻纹理等细节更清晰。在NeRF-synthetic数据集中，该方法克服了3D高斯溅射（3D Gaussian Splatting, 3DGS）的过重建问题，避免了高斯斑点导致的细节模糊。

讨论与结论
尽管存在训练耗时较长、硬件要求高等局限性，FreNeuS首次将高频信息显式引入神经隐式表面重建流程。其动态采样策略和频域约束机制为细节重建提供了通用框架，可无缝集成至任何基于NeuS的方法。该研究不仅推动了三维重建技术的精细化发展，也为医学影像分析、文化遗产数字化等应用提供了新工具。作者团队在CRediT声明中确认，张世坤（Shikun Zhang）负责方法论与初稿撰写，王艺群（Yiqun Wang）指导项目规划，陈存建（Cunjian Chen）参与论文修订，李勇（Yong Li）负责算法实现，柯秋红（Qiuhong Ke）贡献核心概念设计。