Resumen Técnico: Procesos de Distancia con Signo Estocásticos (SSDP)

Planteamiento del Problema

La reconstrucción de superficies multi-vista es un desafío fundamental en la visión por computadora, con aplicaciones que van desde la creación de contenido hasta la robótica. Si bien los Campos de Distancia con Signo (SDF) ofrecen una representación implícita continua e independiente de la resolución adecuada para esta tarea, su optimización mediante renderizado presenta dificultades significativas.

El renderizado directo de superficies, que busca la primera intersección entre el rayo y la superficie y propaga gradientes mediante diferenciación implícita, sufre de una visibilidad discontinua. Esto resulta en gradientes dispersos, lo que a menudo requiere supervisión adicional de siluetas (máscaras de primer plano) para facilitar la optimización. Para abordar esto, métodos recientes como NeuS y VolSDF introdujeron el renderizado de volumen basado en SDF. Estos enfoques mapean los valores de SDF a coeficientes de atenuación locales, permitiendo un renderizado de volumen diferenciable sin necesidad de supervisión de silueta.

Sin embargo, las formulaciones de renderizado de volumen existentes dependen de una interpretación de transporte exponencial. Esto asume que la tasa de peligro (probabilidad de intersección) en cualquier punto puede resumirse mediante un coeficiente de atenuación local independiente de la historia de supervivencia previa. Aunque esto es válido para modelos de partículas independientes (Booleano-Poisson), dicha asunción falla para sólidos opacos generales con geometría espacialmente correlacionada, donde la densidad del tiempo de primer paso depende de la historia de la trayectoria del rayo. En consecuencia, los métodos actuales pueden no capturar plenamente la naturaleza probabilística de las interacciones rayo-superficie en geometrías complejas.

Metodología

Los autores proponen los Procesos de Distancia con Signo Estocásticos (SSDP), un marco que reformula el renderizado de volumen basado en SDF como renderizado de superficie probabilístico.

1. Procesos de Distancia con Signo Estocásticos (SSDP)

En lugar de tratar el SDF como un campo determinista, el SSDP modela el SDF a lo largo de cada rayo $r(t)$ como un proceso estocástico $S_r(t)$:
$$S_r(t) = \mu_r(t) + R_r(t)$$

• $\mu_r(t)$: Un campo medio determinista optimizado para aproximar el SDF.
• $R_r(t)$: Un proceso residual estocástico modelado como un proceso de Ornstein–Uhlenbeck (OU) no homogéneo en el tiempo. Este proceso está parametrizado por campos neuronales dependientes de la vista ($\kappa$ y $\tau$) para capturar la dinámica estocástica por rayo.

Esta formulación induce una distribución de tiempo de primer paso para cada rayo, donde el tiempo de primer paso $H_r$ se define como el primer momento en que el proceso $S_r(t)$ cruza el cero (intersección con la superficie).

2. Renderizado de Superficie Probabilístico

El color del píxel $C_r$ se modela como una distribución mixta inducida por el tiempo de primer paso aleatorio $H_r$:
$$f_{C_r}(c_r) = \mathbb{E}_{H_r}[f_{C_r|H_r}(c_r | H_r)]$$
El color esperado se aproxima sumando sobre intervalos de muestreo discretos $[t_i, t_{i+1}]$:
$$f_{C_r}(c_r) \approx \sum_{i=0}^{N-1} f_{C_r|H_r}(c_r | t_i) P(t_i < H_r \leq t_{i+1}) + \text{Término de Fondo}$$
Aquí, $P(t_i < H_r \leq t_{i+1})$ representa la probabilidad de primer paso (opacidad) para el intervalo.

3. Derivación de la Probabilidad de Primer Paso

La contribución técnica central es la derivación de la probabilidad de primer paso $P(B_i | A_i)$ para cada intervalo, donde $A_i$ es el evento de que el rayo no haya intersectado la superficie hasta $t_i$, y $B_i$ es el evento de intersección dentro de $(t_i, t_{i+1}]$.

• Filtrado Bayesiano: Los autores derivan la distribución posterior del valor del SDF en el punto de muestreo, condicionada a que el rayo haya sobrevivido (no haber intersectado) hasta ese punto. Esto implica propagar la distribución condicionada por la supervivencia mediante filtrado bayesiano.
• Probabilidad de Cruce por Cero: La probabilidad de cruzar el cero dentro de un intervalo se descompone en:
  1. Cruce descendente ($B^\downarrow_i$): El rayo termina dentro de la superficie ($S_{i+1} \leq 0$).
  2. Cruce ascendente ($B^\uparrow_i$): El rayo entra y sale de la superficie dentro del intervalo.
     La probabilidad de $B^\uparrow_i$ se aproxima utilizando el principio de reflexión aplicado a un puente de Brownian, derivado del teorema de Dambis–Dubins–Schwarz.

4. Aproximación de Absorción Negativa

La formulación bayesiana completa requiere un cómputo secuencial a lo largo de cada rayo, lo que impide la paralelización. Para permitir un renderizado paralelo eficiente, los autores introducen una aproximación de absorción negativa. Esta asume que una vez que el proceso SDF $S(t)$ se vuelve negativo, nunca regresa a un valor positivo (sin reversión de signo).

• Esto simplifica la condición de supervivencia a $S_i > 0$ y la condición de cruce a $S_{i+1} \leq 0$.
• Esto elimina la necesidad de filtrado bayesiano secuencial, permitiendo que el cálculo de la opacidad se paralelice entre las muestras, logrando una eficiencia comparable al renderizado de volumen estándar.

5. Relación con Trabajos Previos

El artículo demuestra que NeuS surge como un caso especial de SSDP. En el límite donde el proceso OU se vuelve perfectamente correlacionado (varianza cero en el núcleo de transición), la formulación de SSDP se reduce exactamente a la formulación de opacidad de NeuS. Esto establece a SSDP como una generalización natural de NeuS que tiene en cuenta las estructuras de covarianza por rayo.

Contribuciones Clave

1. Reformulación: El artículo reformula el renderizado de volumen basado en SDF como renderizado de superficie probabilístico, modelando los colores de los píxeles como distribuciones mixtas inducidas por las primeras intersecciones rayo-superficie aleatorias.
2. SSDP: Introducción de los Procesos de Distancia con Signo Estocásticos, modelando el SDF a lo largo de los rayos como procesos estocásticos para inducir distribuciones de tiempo de primer paso.
3. Derivación del Primer Paso: Derivación de las probabilidades de primer paso para intervalos de muestreo utilizando filtrado bayesiano y el principio de reflexión, junto con una aproximación práctica paralelizable.
4. Unificación Teórica: Prueba de que NeuS es un caso especial de la formulación propuesta.
5. Validación Empírica: Demostración de una mejora en la reconstrucción de superficies y la cuantificación de la incertidumbre en los conjuntos de datos DTU y MobileBrick.

Resultados Experimentales

El método, implementado como SSDP-Facto (utilizando el esquema de muestreo NeuS-Facto para una comparación justa), fue evaluado frente a NeuS-Facto y OaV-Facto (Objetos como Volúmenes).

• Reconstrucción de Superficies: En los conjuntos de datos DTU y MobileBrick, SSDP-Facto superó consistentemente a los modelos base en Distancia de Chamfer (CD) bajo ambos protocolos de evaluación: con máscara (envolvente visual) y sin máscara (frustum de visión). Efectivamente redujo las superficies espurias fuera de la envolvente visual.
• Cuantificación de la Incertidumbre: SSDP-Facto logró un rendimiento superior en la Puntuación de Probabilidad Clasificada Continua (CRPS), el Error Absoluto Medio (MAE) y la Nitidez (Sharpness), indicando una distribución de tiempo de primer paso de mayor calidad.
• Estudios de Ablación:
  • Aproximación de Absorción Negativa: Eliminar la aproximación (usando el filtrado bayesiano completo) mejoró ligeramente las métricas de incertidumbre (aprox. 0.1 mm de mejora en CRPS) pero duplicó el tiempo de entrenamiento. La aproximación resultó ser un sesgo inductivo estable y efectivo para la reconstrucción.
  • Función de Pérdida: El uso de la pérdida de Log-Verosimilitud Marginal Negativa (NLML) optimizó directamente el objetivo probabilístico, logrando mejoras sustanciales sobre la pérdida de esperanza utilizada en trabajos previos.

Significado y Reivindicaciones

El artículo sostiene que, al alejarse de la restrictiva asunción de transporte exponencial (atenuación local independiente de la historia) y adoptar una perspectiva de primer paso para la geometría espacialmente correlacionada, el SSDP proporciona un modelo probabilístico más fiel para el renderizado de superficies.

Los autores afirman que su método mejora tanto la precisión de la reconstrucción de la superficie como la cuantificación de la incertidumbre en comparación con los modelos de control. Destacan que, si bien la formulación bayesiana completa ofrece completitud teórica, la aproximación de absorción negativa proporciona un equilibrio práctico, permitiendo un renderizado paralelo eficiente sin una pérdida significativa en la calidad de la reconstrucción. El trabajo clarifica el vínculo teórico entre los métodos existentes de renderizado de volumen y los procesos estocásticos, posicionando al SSDP como una generalización de NeuS.