基于Morton编码的几何自适应表面重建(Morton Code-Based Geometry-Adaptive Surface Reconstruction)

《Journal of Imaging》：Morton Code-Based Geometry-Adaptive Surface Reconstruction

　　

神经隐式表面表示(Neural Implicit Surface Representations)在三维重建中取得了令人印象深刻的结果，然而现有方法往往在平滑区域引入噪声，或在复杂区域无法捕捉精细细节，主要归因于缺乏显式的空间结构建模。为解决这些局限，研究人员提出了一种基于Morton码(Morton Code)的几何自适应表面重建方法。该方法通过将三维空间映射到八叉树(Octree)遍历路径，为重建过程提供自然的空间结构先验。对于每个查询点，隐式八叉树(Implicit Octree)生成唯一的从根节点到叶节点的轨迹，产生空间自适应权重来调制多分辨率几何特征。具体而言，平坦区域由低频粗粒度特征主导以抑制噪声，而富含边缘的区域则激活高频细粒度特征以恢复复杂几何形状。实验结果表明该方法在多个数据集上具备有竞争力的性能，尤其在重建锐利特征和细粒度几何细节方面表现突出。

《Journal of Imaging》论文解读：基于Morton编码的几何自适应表面重建

一、研究背景与意义

传统显式三维表示（如体素Voxel、点云Point Cloud、网格Mesh）受限于分辨率和拓扑表达能力。神经隐式表示（Neural Implicit Representation）如占用网络（Occupancy Networks）、DeepSDF及NeRF（Neural Radiance Fields）通过神经网络将几何建模为连续函数（如有符号距离函数Signed Distance Function, SDF），能以任意分辨率表示复杂拓扑。然而NeRF基于体密度场（Volumetric Density Field），零水平集不对应精确几何面，导致重建含噪且难以捕捉锐边。NeuS和VolSDF将SDF与体渲染（Volume Rendering）结合，提升了质量，但仍受限于神经网络的"频谱偏差"（Spectral Bias）——偏好学习低频平滑函数，高频几何细节（边缘、纹理）难以习得。位置编码（Positional Encoding）虽通过傅里叶特征映射（Fourier Feature Mapping）缓解此问题，但其频率固定且缺乏空间自适应性；均匀提高频率会在平滑区引入噪声。基于特征网格（Feature Grid）的方法（如Go-Surf、Instant-NGP）利用多分辨率网格，但通常采用固定权重融合各层特征，未根据局部几何复杂度动态分配表征能力，且将三维点视为独立实体，缺乏空间邻接或宏观结构上下文感知。为此，研究人员开展本研究，利用八叉树自然编码多尺度层次及Morton码线性化层次路径的特性，提出几何自适应表面重建框架，以实现表征能力的空间差异化分配。论文发表于《Journal of Imaging》。

二、主要关键技术方法

研究人员构建由几何特征网格（存储隐式几何与颜色特征）和掩膜网格（Mask Grid，存储空间自适应融合权重特征）组成的L层八叉树稀疏网格系统。对查询点x，通过Morton码（Z-order Curve，交织坐标二进制位生成M(x,y,z)=∑(x_i<<3i | y_i<<3i+1 | z_i<<3i+2)获取根到叶八叉树路径前缀序列，分别在几何与掩膜网格三线性插值得特征f_l与g_l。设计基于门控循环单元（Gated Recurrent Unit, GRU）的分层前缀循环编码器（Hierarchical Prefix Recurrent Encoder），沿Morton路径由粗至细递归聚合掩膜特征：h_l=GRU(g_l, h_l-1)，最终h_L经浅MLP预测L维空间掩膜向量s（各元素对应层级权重）。最终Morton编码特征F_Morton=∑s_l·f_l输入SDF解码器预测SDF值，颜色独立解码。采用由粗到细的阶段激活训练策略（Progressive Training Schedule）：总训练4000轮，八叉树最大深度L=9，按阶段依次激活层级1-4（前500轮）、5-6（500-1500轮）、7-8（1500-3000轮）、9（3000-4000轮），未激活层阻断梯度回传。渲染采用改进体渲染公式将SDF转为权重，损失函数含颜色L1损失、深度L1损失、截断区内SDF近似损失、自由空间损失及曲率正则化损失。实验在DTU数据集与3D Scanning Dataset上进行，以Chamfer Distance、Accuracy、Completeness、Normal Consistency及F-score评估，对比sPSR、Go-Surf、Vox-Fusion并做消融实验（无掩膜、MLP生成掩膜、Hilbert曲线替换Morton码）。

三、研究结果

3.1 多分辨率八叉树表示(Multi-Resolution Octree Representation)

研究人员将场景存于L层八叉树控制的稀疏网格系统，每层网格单元赋予交织二进制Morton码（每级3比特代表x,y,z子节点相对位置），唯一编码全局位置及父子节点关系。Morton码可分解为各级3比特前缀c_i，描述根到叶八叉树遍历路径，具局部性保持、层次对齐及编码高效三大理论优势。查询点经Morton码映射获各层几何特征f与掩膜特征g。

3.2 分层前缀循环编码(Hierarchical Prefix Recurrent Encoding)

为建模掩膜特征沿八叉树路径的层次依赖，研究人员采用单层GRU作为前缀循环编码器，按公式更新隐藏态h_l=σ(W_z·[g_l,h_l-1])⊙h_l-1+(1-σ(W_z·[g_l,h_l-1]))⊙tanh(W·[g_l,σ(W_r·[g_l,h_l-1])⊙h_l-1])，最终h_L经MLP生成空间掩膜s∈(0,1)^L。平滑区域掩膜倾向给低分辨率层高权抑制噪声，复杂区域激活高分辨率层高权恢复细节。配合渐进训练防止过早抑制后期所需高频特征。

3.3 体渲染(Volume Rendering)

在八叉树多分辨率稀疏网格系统中，先求射线与各层网格交点区间，按区间长度反比变换采样（Inverse Transform Sampling），高层网格取更小步长。查询点Morton编码特征F_Morton入SDF解码器得SDF值sdf(x)，颜色由独立颜色特征解码；SDF转渲染权重w_i=σ(-α·sdf(x_i))·exp(-∑σ(-α·sdf(x_j)))，最终颜色与深度沿射线加权积分。

3.4 损失函数(Loss Function)

总损失L_total=λ_cL_color+λ_dL_depth+λ_sdfL_sdf+λ_fsL_free-space+λ_curvL_curvature，其中颜色与深度为L1损失，SDF损失在截断距离|t-z|<δ_s内令预测sdf逼近射线深度偏差(t-z)，自由空间损失强制远处点SDF绝对值大于截断距，曲率损失为离散拉普拉斯算子正则项，权重分别设λ_c=1, λ_d=0.1, λ_sdf=0.2, λ_fs=0.1, λ_curv=0.05, δ_s=0.05。

四、讨论与结论翻译

研究人员指出方法局限性包括：八叉树单元格边界处掩膜权重突变偶致细微表面不连续；随八叉树加深节点数剧增致内存与计算开销较大；渐进训练策略依赖人工预设轮次激活计划而非依局部几何复杂度自适应。未来工作拟优化八叉树存储结构并引入基于曲率或梯度幅值的节点剪枝，探索结合时序信息扩展至动态非刚性场景重建，以及融合基于物理的渲染（Physically Based Rendering, PBR）提升镜面与透明材质鲁棒性。

结论译文：

为解决现有神经隐式表面重建方法中多分辨率编码缺乏空间自适应性、难以依据局部几何复杂度动态分配表征能力的问题，本文提出一种基于Morton码(Morton Code)的几何自适应表面重建方法。该方法构建由空间结构先验引导的自适应重建框架：利用八叉树(Octree)与Morton码将三维空间映射为层次遍历路径，为网络提供自然的尺度空间结构先验；设计分层前缀循环编码器(Hierarchical Prefix Recurrent Encoder)沿八叉树路径由粗至细聚合上下文信息以建模层级间依赖关系；基于聚合后的路径特征生成空间自适应掩膜(Spatially Adaptive Mask)，动态调节各分辨率几何特征对有符号距离函数(Signed Distance Function, SDF)解码的贡献度，从而在平坦区域抑制高频噪声，在几何复杂区域激活精细细节。同时引入渐进训练策略(Progressive Training Strategy)，使模型从低频结构向高频细节演进，保障优化稳定性与收敛质量。