基于可微分渲染的三维重建研究综述.docVIP

基于可微分渲染的三维重建研究综述

一、可微分渲染的核心原理与技术演进

可微分渲染作为连接二维图像与三维几何表征的关键桥梁，其核心突破在于将传统渲染过程中的不可求导操作转化为可微分计算流，使得基于图像的三维重建任务能够通过端到端的梯度反向传播实现参数优化。传统图形学渲染管线中，光栅化、光线追踪等操作涉及离散采样、深度测试等非连续步骤，无法直接融入深度学习的梯度优化框架，而可微分渲染通过引入概率化采样、平滑近似函数等策略，解决了梯度传递的连续性问题。

早期可微分渲染技术主要聚焦于光栅化过程的平滑化改造，2018年提出的SoftRasterizer（SoftRas）是该方向的标志性成果，其核心思想是为每个三角形图元赋予一个随距离衰减的概率贡献值，将离散的像素归属判断转化为连续的概率分布计算，使得渲染损失能够通过三角形顶点坐标、纹理参数等反向传播至三维模型参数。同年提出的神经渲染器NMR（NeuralMeshRenderer）则进一步将渲染过程建模为可学习的神经网络模块，通过引入可学习的采样核函数，实现了更复杂光照、材质条件下的梯度传递。随着技术演进，基于光线追踪的可微分渲染框架逐渐成为研究热点，2020年发布的Mitsuba2系统支持光谱级、偏振级的可微分光线模拟，能够处理全局光照、次表面散射等复杂光学效应，极大拓展了可微分渲染的适用场景。近年来，隐式神经表征与可微分渲染的融合成