CrossSDF: 3D Reconstruction of Thin Structures From Cross-Sections¶

会议: CVPR 2025
arXiv: 2412.04120
代码: 项目页面
机构: University of Edinburgh / University of British Columbia 领域: 医学影像 / 3D 重建
关键词: SDF, cross-section reconstruction, thin structures, neural implicit fields, hash encoding, medical imaging

一句话总结¶

提出 CrossSDF，通过从 2D 截面符号距离场重建 3D SDF，结合混合编码（哈希网格 + 随机傅里叶特征）和对称差损失，首次实现对薄管状结构（如血管）的精确重建。

研究背景与动机¶

领域现状¶

领域现状：领域现状**：从平面截面数据重建 3D 结构是医学影像、制造业和地形学中的经典问题。CT/MRI 扫描产生稀疏的 2D 截面数据，需从中重建完整的 3D 形状。

现有痛点：

现有痛点¶

现有痛点：点云重建方法**：截面之间数据稀疏，常导致失败

核心矛盾¶

核心矛盾：传统插值方法**（OReX 等）：产生严重的"棱状"伪影（laddering artifacts），在平行截面间出现阶梯状结构

解决思路¶

解决思路：Indicator function 方法**：不连续性导致法线和光滑性伪影，且退化为不稳定的二分类问题

补充说明¶

补充说明：所有现有方法在重建薄结构（如血管、神经组织）时表现糟糕，要么过度平滑要么断裂

核心矛盾：2D SDF 和期望的 3D SDF 在一般情况下不一致——直接拟合 2D SDF 会迫使 3D 表面法线与截面平行，产生"阶梯效应"。

切入角度：仅利用 2D SDF 的零集信息（内/外分类），通过对称差损失引导 3D SDF 学习，释放模型从"必须是 2D SDF"的约束。

核心 idea：对称差损失（释放平面内约束） + 混合编码（哈希+RFF，消除网格伪影） + 自适应采样 = 精确薄结构重建。

方法详解¶

输入输出¶

输入：$n$ 个任意方向的 2D 平面，每个平面上有闭合轮廓（截面与目标几何体的交线）
输出：神经 3D SDF $f(\mathbf{x}; \boldsymbol{\theta})$，零集定义重建几何体

关键设计¶

自适应采样（Adaptive Sampling）
- 功能：确保薄结构内部被充分采样
- 问题：均匀采样会欠采样小截面积结构；OReX 的固定半径采样对薄结构也不适用
- 解决：直接在每个轮廓内部采样至阈值数量，利用 2D 截面的内/外标注进行精确分区
- 效果：小截面积轮廓不会被忽略
混合编码（Hybrid Encoding）
- 功能：结合哈希网格编码 $\gamma_{\text{hash}}$ 和随机傅里叶特征编码 $\gamma_{\text{RF}}$
- 哈希网格：捕捉细节，但在网格边界产生插值伪影
- 随机傅里叶特征：鼓励光滑表示，减少网格伪影
- 融合方式：$\mathbf{z}_{\text{comb}} = \mathbf{z}_{\text{hash}} + \alpha \cdot \mathbf{z}_{\text{RF}}$，$\alpha$ 为平衡因子
- 最终输入：$\mathbf{z}_{\text{final}} = [\mathbf{z}_{\text{comb}} | \mathbf{x}]$，拼接原始 3D 坐标
对称差损失（Symmetric Difference Loss）
- 功能：仅在预测和目标内/外分类不一致的区域驱动优化
- 核心洞察：截面上 2D SDF 包含的关于 3D 几何的唯一信息是内/外分类
- 两个集合：$\Omega_{\text{on}} = \{\mathbf{x} | f_{2D}(\mathbf{x}) = 0\}$（零集采样点）和对称差区域
- 优势：当预测和目标轮廓完全重合时损失为零，释放网络自由学习 3D SDF
- 效果：消除直接拟合 2D SDF 导致的阶梯伪影
Eikonal 正则化
- 约束 $|\nabla f| = 1$，保证 SDF 性质
- 对稀疏输入特别有效

网络架构¶

两个通道：哈希网格通道和 RFF 通道，各有一层隐藏层 MLP
融合后接 SDF MLP 输出最终距离值

实验关键数据¶

与现有方法的定量比较（合成数据）¶

方法	适用场景	薄结构保持	拓扑连续性	表面平滑性
OReX	任意截面	差	差	差（棱状伪影）
Points2Surf	点云	中	中	中
POCO	点云	中	中	好
DeepSDF	潜空间	差	好	好（过度平滑）
CrossSDF	任意截面	好	好	好

消融实验¶

配置	薄结构质量	表面光滑度	阶梯伪影
仅哈希编码	好	差（网格伪影）	少
仅 RFF 编码	差（过度平滑）	好	少
直接拟合 2D SDF	好	差	严重
无自适应采样	差（丢失小结构）	—	—
完整方法	好	好	无

关键发现¶

对称差损失是消除阶梯伪影的关键
混合编码比单一编码在细节保持和光滑性上取得更好平衡
自适应采样对小截面积结构至关重要

技术细节补充¶

网络参数¶

哈希网格分辨率：多尺度，从 $16^3$ 到 $2048^3$
RFF 编码维度 $d$：保证与哈希编码输出维度匹配
缩放因子 $\alpha$：初始化时让两路编码幅度大致相等
SDF MLP：标准 8 层全连接，带 skip connection

Eikonal 正则化¶

$$\mathcal{L}_{eik} = \mathbb{E}_{\mathbf{x}}[(|\nabla f(\mathbf{x})| - 1)^2]$$ 在截面之间的 3D 空间随机采样点上施加，提供平滑性先验。

亮点与洞察¶

对称差损失的设计精妙：将几何约束从"学习 2D SDF"放松到"仅学习内/外分类一致"，既保留了充分的监督信号又释放了自由度
混合编码解法简洁：一个捕细节、一个保光滑，互补性强
医学影像中薄血管重建是真实刚需，方法的实用价值高
支持任意方向非平行截面，比仅处理平行截面的方法通用性更强
方法核心是损失函数设计，网络架构无需特殊修改，可迁移到其他隐式场表示