利用几何引导朗之万动力学进行生成形状重建

从不完整或有噪声的观察中重建完整的 3D 形状从根本上来说是一个不适定问题，需要平衡测量一致性和形状合理性。现有的形状重建方法可以在理想条件下实现很强的几何保真度，但在测量不完整或存在噪声的现实条件下会失败。与此同时，最近的 3D 形状生成模型可以合成高度逼真和详细的形状，但无法与观察到的测量结果保持一致。在这项工作中，我们介绍了 GG-Langevin：几何引导朗之万动力学，这是一种统一这些互补观点的概率方法。通过遍历扩散模型引起的朗之万动力学轨迹，同时保持每一步的测量一致性，我们生成地重建了既适合测量结果又符合数据先验的形状。我们通过大量实验证明，与现有的表面重建方法相比，GG-Langevin 具有更高的几何精度和对缺失数据更强的鲁棒性。