基于约束视角的空间目标三维重建不确定性神经表面模型研究

作者与发表信息

本研究的核心作者包括Yuandong Li（北京航空航天大学自动化科学与电气工程学院）、Qinglei Hu（北京航空航天大学/天目山实验室/北航杭州国际创新研究院）、Fei Dong（北京航空航天大学）、Dongyu Li（北京航空航天大学网络空间安全学院/上海卫星工程研究所）和Zhenchao Ouyang（北航杭州国际创新研究院）。论文发表于*IEEE Transactions on Circuits and Systems for Video Technology*期刊，预印本版本已在线公开，最终版本将于2025年正式出版。

学术背景

本研究属于计算机视觉与航天器导航交叉领域，聚焦约束视角下的三维几何重建（3D reconstruction under constrained views）问题。传统神经辐射场（NeRF, Neural Radiance Fields）方法依赖目标的全视角随机采样，而航天任务中受限于轨道动力学约束、燃料成本等因素，观测视角往往局限在特定空间扇区（如仅覆盖110°而非理想化的279°）。这种约束会导致重建结果陷入局部最优，产生几何缺陷。为此，研究团队提出不确定性神经表面模型（UNS, Uncertainty Neural Surfaces），通过贝叶斯不确定性估计提升受限观测条件下的重建精度，并为后续观测视角规划提供指导。

研究方法与流程

1. 核心模型架构

UNS在神经隐式表面（neural implicit surfaces）框架中引入三维空间点与视角的不确定性估计，其网络包含三个子模块：
- 几何MLPθg：输出符号距离函数（SDF, Signed Distance Function）和特征向量
- 不确定性MLPθu：估计三维空间点的不确定性方差β²
- 颜色MLPθc：预测RGB颜色值
通过体积渲染（volume rendering）将空间不确定性传递至二维图像层面，形成端到端训练框架。

2. 两阶段渐进式训练

阶段一：粗几何获取

• 输入：约束视角下的多视图图像（如10个视角，覆盖140°扇区）
  
• 处理：采用神经隐式表面初步重建目标粗糙几何
  
• 关键操作：损失函数仅包含SDF和颜色拟合项，忽略不确定性项
  

阶段二：贝叶斯优化与代理生成

• 几何遮挡分析：基于粗几何模型，计算每个三维采样点对全部视角的自遮挡程度（图3）。通过射线步进算法（ray stepping）统计未被遮挡的视角数量（nai）和最大视角夹角（aai），按公式(18)生成不确定性代理σ²：
  math σ² = 1/(γ_n·nai + 2) + 1/(γ_a·aai + 2)
  其中γ_n=1、γ_a=5为缩放因子。
  
• 代理网络训练：用3层MLP拟合离散采样点的σ²分布，实现连续化存储
  
• 贝叶斯损失函数（公式17）：联合优化几何、颜色与不确定性，包含：
  
  • 渲染颜色与真实图像的负对数似然
    
  • 代理方差σ²与网络预测β²的KL散度
    

3. 实验验证

数据集构建

在暗室环境中搭建航天器模型多视角采集系统（图5），包含：
- 目标模型：神舟飞船（SZ）、天宫空间站（TG）、风云气象卫星（FY）、高分遥感卫星（GF）
- 采集方式：双轨道环绕拍摄（低轨50-60张/圈，高轨用于补充视角实验）
- 真值获取：高精度3D激光扫描

对比实验

• 基线方法：NeUS（神经隐式表面）、VDN-NeRF（视角依赖归一化方法）
  
• 评价指标：
  
  • 几何精度：倒角距离（Chamfer Distance）、豪斯多夫距离（Hausdorff Distance）
    
  • 新视角合成：峰值信噪比（PSNR）
    

主要结果

1. 不确定性估计有效性

• 三维空间：自遮挡严重区域（如卫星太阳能板背面）的β²值显著高于可见区域（图13）
  
• 二维视图：渲染误差与估计不确定性呈强相关性（图10），验证了贝叶斯代理的可靠性
  

2. 重建质量提升

• 几何精度：在140°约束视角下，UNS的平均倒角距离（0.038）较NeUS（0.083）降低54%（表III）
  
• 典型缺陷改善：
  
  • 天宫空间站的底部太阳能板完整重建（NeUS出现断裂）
    
  • 风云卫星发动机喷口数量准确还原（基线方法漏检50%）
    

3. 最优视角选择

基于视图不确定性（公式21），从候选视角中选取不确定性总和最大的视角作为补充观测位（图20）。实验显示该方法比随机选择或最远距离策略的几何误差降低5-7%（表V）。

结论与价值

本研究首次将贝叶斯不确定性估计引入神经隐式表面重建，解决了航天任务中轨道约束导致的观测受限问题。其科学价值体现在：
1. 方法论创新：提出几何遮挡驱动的代理生成策略，克服了传统不确定性NeRF依赖密集观测的局限
2. 工程应用：为在轨服务、小卫星任务等场景提供高精度三维重建方案，代码已开源（GitHub仓库yd-96/UNS）
3. 扩展性：渐进式训练框架可迁移至其他隐式表示方法

研究亮点

1. 多模态不确定性融合：联合几何遮挡先验与渲染误差后验，实现更可靠的贝叶斯估计
   
2. 计算效率优化：代理网络仅需1k次迭代训练，显著低于蒙特卡洛采样方法
   
3. 航天数据集贡献：构建首个面向空间目标的暗室多视角数据集，涵盖不同结构与材质特性（表I）
   

局限与展望

当前方法未考虑航天器机动特性（如轨道动力学约束），未来将研究融合轨道规划的主动重建策略。此外，金属材质的强镜面反射（如FY卫星）仍可能导致局部重建误差，需进一步改进材质建模方法。