研究人员推出SuGaR:单个GPU只需几分钟即可将图像转换为3D模型

**划重点:**

🌐 通过 SuGaR 方法，法国 LIGM 实验室的研究人员成功在单个 GPU 上实现了几分钟内从3D 高斯泼溅表示中提取准确可编辑的网格模型。

🚀 SuGaR 创新地结合了神经场景表示和计算几何技术，通过泊松曲面重建迅速生成详细的三角形网格模型。

🏆 通过广泛的实验证明，SuGaR 不仅比现有技术更快，而且在保持高质量和准确性方面表现出色，为3D 模型的快速构建提供了重要突破。

法国 LIGM 实验室的研究人员最近推出了一项名为 SuGaR 的新技术，该技术能够在单个 GPU 上以惊人的速度从图像中提取精确且可编辑的3D 网格模型。传统的3D 模型重建方法往往昂贵且复杂，而 SuGaR 方法的出现为这一问题带来了新的解决方案。

SuGaR 方法的独特之处在于它成功地将神经场景表示与计算几何技术相结合。首先，通过一种称为3D 高斯泼溅的方法，研究人员创建了生动的神经渲染，将数百万微小的高斯基元的方向、尺寸和其他属性优化，以最佳方式再现输入相机图像。这个步骤让高斯泼溅能够在短短几分钟内重建出场景的生动神经渲染。

然而，SuGaR 不满足于仅仅生成非结构化的高斯粒子。其关键创新在于引入一种新的训练过程，鼓励粒子贴合表面并保留细节。通过这种对齐方式，SuGaR 将粒子视为结构化点云，随后利用泊松曲面重建技术直接从对齐的粒子中生成详细的网格。这种处理方式能够高效地处理数百万个粒子，生成传统技术难以实现的详细三角模型。

SuGaR 已在多个数据集上进行了广泛的测试，包括室内和室外场景，应对了各种建模挑战。与现有技术的比较表明，SuGaR 在网格创建速度、渲染质量和几何精度方面都表现优异，特别是在相当于数小时的渲染密集型工作中，SuGaR 只需几分钟即可完成。研究人员表示，这一方法的速度远超过了现有的 NeRF 技术，同时提供了更好的渲染质量。

SuGaR 技术的出现显著改善了3D 模型重建的速度和效果。通过将神经场景表示与计算几何相结合，SuGaR 不仅在速度上取得了重大突破，而且在保持高质量和准确性方面也表现出色。这一创新对于模拟、教育和媒体等领域都具有重要意义，为更快、更容易地创建详细的3D 模型打开了新的可能性。

论文网址:https://imagine.enpc.fr/~guedona/sugar/