manhattan_sdf

收录理由

从事神经隐式表面重建的研究者会发现，这是CVPR 2022一篇方法论文的干净参考实现。它从多视角图像重建稠密的室内三维场景，将神经有符号距离场与曼哈顿世界假设相结合，从而在低纹理平面区域恢复出清晰的几何结构，而这类区域往往是普通NeRF风格方法容易失效的地方。代码紧凑且易读，训练、网格提取和评估都通过简单的配置文件运行，仓库还提供了处理好的ScanNet数据和基线结果，方便复现论文中的对比实验，无需自己重新搭建数据流程。你可以把它当作研究基线和扩展室内场景重建的起点，而非生产级工具；另外，使用前请留意其自定义非商业许可，避免商业用途。