Resumo Técnico: Processos de Distância Assinada Estocásticos (SSDP)

Declaração do Problema

A reconstrução de superfícies multi-view é um desafio fundamental em visão computacional, com aplicações que variam desde a criação de conteúdo até a robótica. Embora os Campos de Distância Assinada (SDFs) ofereçam uma representação implícita contínua e independente de resolução adequada para esta tarefa, otimizá-los via renderização apresenta dificuldades significativas.

A renderização direta de superfície, que encontra a primeira intersecção raio-superfície e propaga gradientes via diferenciação implícita, sofre de visibilidade descontínua. Isso resulta em gradientes esparsos, muitas vezes necessitando de supervisão de silhueta adicional (máscaras de primeiro plano) para facilitar a otimização. Para abordar isso, métodos recentes como NeuS e VolSDF introduziram a renderização volumétrica baseada em SDF. Essas abordagens mapeiam valores de SDF para coeficientes de atenuação locais, permitindo a renderização volumétrica diferenciável sem supervisão de silhueta.

No entanto, as formulações de renderização volumétrica existentes baseiam-se em uma interpretação de transporte exponencial. Isso assume que a taxa de perigo (probabilidade de intersecção) em qualquer ponto pode ser resumida por um coeficiente de atenuação local independente do histórico de sobrevivência passado. Embora válido para modelos de partículas independentes (Poisson-Booleano), essa suposição falha para sólidos opacos gerais com geometria espacialmente correlacionada, onde a densidade do tempo de primeira passagem depende do histórico do caminho do raio. Consequentemente, os métodos atuais podem não capturar totalmente a natureza probabilística das interações raio-superfície em geometrias complexas.

Metodologia

Os autores propõem os Processos de Distância Assinada Estocásticos (SSDP), um framework que reformula a renderização volumétrica baseada em SDF como renderização de superfície probabilística.

1. Processos de Distância Assinada Estocásticos (SSDP)

Em vez de tratar o SDF como um campo determinístico, o SSDP modela o SDF ao longo de cada raio $r(t)$ como um processo estocástico $S_r(t)$:
$$S_r(t) = \mu_r(t) + R_r(t)$$

• $\mu_r(t)$: Um campo médio determinístico otimizado para aproximar o SDF.
• $R_r(t)$: Um processo residual estocástico modelado como um processo Ornstein–Uhlenbeck (OU) não homogêneo no tempo. Este processo é parametrizado por campos neurais dependentes da visão ($\kappa$ e $\tau$) para capturar a dinâmica estocástica por raio.

Esta formulação induz uma distribuição de tempo de primeira passagem para cada raio, onde o tempo de primeira passagem $H_r$ é definido como o primeiro momento em que o processo $S_r(t)$ cruza o zero (intersecciona a superfície).

2. Renderização de Superfície Probabilística

A cor do pixel $C_r$ é modelada como uma distribuição de mistura induzida pelo tempo de primeira passagem aleatório $H_r$:
$$f_{C_r}(c_r) = \mathbb{E}_{H_r}[f_{C_r|H_r}(c_r | H_r)]$$
A cor esperada é aproximada pela soma sobre intervalos de amostragem discretos $[t_i, t_{i+1}]$:
$$f_{C_r}(c_r) \approx \sum_{i=0}^{N-1} f_{C_r|H_r}(c_r | t_i) P(t_i < H_r \leq t_{i+1}) + \text{Termo de Background}$$
Aqui, $P(t_i < H_r \leq t_{i+1})$ representa a probabilidade de primeira passagem (opacidade) para o intervalo.

3. Derivação da Probabilidade de Primeira Passagem

A principal contribuição técnica é a derivação da probabilidade de primeira passagem $P(B_i | A_i)$ para cada intervalo, onde $A_i$ é o evento de que o raio não intersectou a superfície até $t_i$, e $B_i$ é o evento de intersecção dentro de $(t_i, t_{i+1}]$.

• Filtragem Bayesiana: Os autores derivam a distribuição posterior do valor do SDF no ponto de amostragem, condicionado ao fato de o raio ter sobrevivido (não intersectado) até aquele ponto. Isso envolve a propagação da distribuição condicionada à sobrevivência via filtragem Bayesiana.
• Probabilidade de Cruzamento de Zero: A probabilidade de cruzar o zero dentro de um intervalo é decomposta em:
  1. Cruzamento descendente ($B^\downarrow_i$): O raio termina dentro da superfície ($S_{i+1} \leq 0$).
  2. Cruzamento ascendente ($B^\uparrow_i$): O raio entra e sai da superfície dentro do intervalo.
     A probabilidade de $B^\uparrow_i$ é aproximada usando o princípio da reflexão aplicado a uma ponte de Brownian, derivado do teorema de Dambis–Dubins–Schwarz.

4. Aproximação de Absorção Negativa

A formulação Bayesiana completa requer computação sequencial ao longo de cada raio, impedindo a paralelização. Para permitir uma renderização eficiente e paralela, os autores introduzem uma aproximação de absorção negativa. Esta assume que, uma vez que o processo SDF $S(t)$ torna-se negativo, ele nunca retorna a um valor positivo (sem reversão de sinal).

• Isso simplifica a condição de sobrevivência para $S_i > 0$ e a condição de cruzamento para $S_{i+1} \leq 0$.
• Isso remove a necessidade de filtragem Bayesiana sequencial, permitindo que o cálculo da opacidade seja paralelizado entre as amostras, alcançando eficiência comparável à renderização volumétrica padrão.

5. Relação com Trabalhos Anteriores

O artigo demonstra que o NeuS surge como um caso especial do SSDP. No limite onde o processo OU torna-se perfeitamente correlacionado (variância zero no kernel de transição), a formulação SSDP reduz-se exatamente à formulação de opacidade do NeuS. Isso estabelece o SSDP como uma generalização natural do NeuS que considera estruturas de covariância por raio.

Principais Contribções

1. Reformulação: O artigo reformula a renderização volumétrica baseada em SDF como renderização de superfície probabilística, modelando cores de pixels como distribuições de mistura induzidas por intersecções raio-superfície de primeira passagem aleatórias.
2. SSDP: Introdução dos Processos de Distância Assinada Estocásticos, modelando o SDF ao longo dos raios como processos estocásticos para induzir distribuições de tempo de primeira passagem.
3. Derivação de Primeira Passagem: Derivação de probabilidades de primeira passagem para intervalos de amostragem usando filtragem Bayesiana e o princípio da reflexão, juntamente com uma aproximação prática paralelizável.
4. Unificação Teórica: Prova de que o NeuS é um caso especial da formulação proposta.
5. Validação Empírica: Demonstração de melhoria na reconstrução de superfície e quantificação de incerteza nos datasets DTU e MobileBrick.

Resultados Experimentais

O método, implementado como SSDP-Facto (usando o esquema de amostragem NeuS-Facto para uma comparação justa), foi avaliado contra NeuS-Facto e OaV-Facto (Objects as Volumes).

• Reconstrução de Superfície: Nos datasets DTU e MobileBrick, o SSDP-Facto superou consistentemente os baselines em Distância de Chamfer (CD) sob ambos os protocolos de avaliação mascarados (hull visual) e não mascarados (frusto de visão). Ele reduziu efetivamente superfícies espúrias fora do hull visual.
• Quantificação de Incerteza: O SSDP-Facto alcançou desempenho superior em Score de Probabilidade Classificado Contínuo (CRPS), Erro Absoluto Médio (MAE) e Sharpness, indicando uma distribuição de tempo de primeira passagem aprendida de maior qualidade.
• Estudos de Ablação:
  • Aproximação de Absorção Negativa: Remover a aproximação (usando filtragem Bayesiana completa) melhorou ligeiramente as métricas de incerteza (ex: ~0.1 mm de melhoria no CRPS), mas dobrou o tempo de treinamento. A aproximação foi considerada um viés indutivo estável e eficaz para reconstrução.
  • Função de Perda: O uso da Verossimilhança Marginal Negativa do Logaritmo (NLML) otimizou diretamente o objetivo probabilístico, gerando melhorias substanciais sobre a perda de expectativa padrão usada em trabalhos anteriores.

Significância e Alegações

O artigo alega que, ao se afastar da restritiva suposição de transporte exponencial (atenuação local independente do histórico) e adotar uma perspectiva de primeira passagem para geometria espacialmente correlacionada, o SSDP fornece um modelo probabilístico mais fiel para renderização de superfície.

Os autores afirmam que seu método melhora tanto a precisão da reconstrução de superfície quanto a quantificação de incerteza em comparação com baselines controlados. Eles destacam que, embora a formulação Bayesiana completa ofereça completude teórica, a aproximação de absorção negativa fornece um compromisso prático, permitindo a renderização paralela eficiente sem perda significativa na qualidade da reconstrução. O trabalho esclarece a ligação teórica entre métodos existentes de renderização volumétrica e processos estocásticos, posicionando o SSDP como uma generalização do NeuS.