从NeRF到NeuS：用PyTorch实现SDF体渲染的工程实践

在神经渲染领域，NeRF（Neural Radiance Fields）的出现彻底改变了我们对3D场景重建和渲染的认知。然而，当我们需要精确重建物体表面时，基于隐式表面表示的方法往往能提供更清晰的几何结构。这就是NeuS（Neural Implicit Surfaces）的创新之处——它将符号距离函数（SDF）与体渲染完美结合，实现了高质量的表面重建。本文将带你深入理解NeuS的核心算法，并手把手教你用PyTorch实现这一前沿技术。

1. NeuS核心原理解析

1.1 SDF与体渲染的桥梁构建

NeuS最关键的创新在于建立了SDF与体渲染之间的联系。传统NeRF使用体积密度σ作为中间量，而NeuS则引入了S-density这一概念：

python复制def s_density(sdf_value, s):
    """计算S-density，即逻辑斯蒂分布的密度函数"""
    exp_term = torch.exp(-s * sdf_value)
    return s * exp_term / ((1 + exp_term) ** 2)

这个函数实际上是sigmoid函数的导数，数学表达为：

ϕₛ(x) = s·e⁻ˢˣ / (1 + e⁻ˢˣ)²

其中s是一个可学习的参数，控制着分布的"尖锐"程度。随着训练的进行，1/s会趋近于0，这意味着S-density会在表面附近形成尖锐的峰值。

1.2 加权函数的设计哲学

NeuS的加权函数w(t)需要满足两个关键性质：

1. 无偏性：在射线与表面交点处达到最大值
2. 遮挡感知：更靠近相机的点应具有更大的贡献

原始NeRF的体渲染公式虽然满足遮挡感知，但却不满足无偏性。NeuS通过精心设计的ρ(t)函数解决了这一矛盾：

python复制def compute_rho(sdf, s):
    """计算不透明密度函数ρ(t)"""
    sigmoid_sdf = torch.sigmoid(s * sdf)
    numerator = s * (1 - sigmoid_sdf) * s_density(sdf, s)
    denominator = sigmoid_sdf + 1e-8
    return torch.clamp(numerator / denominator, min=0)

这个函数确保了加权函数既保持无偏性，又能正确处理遮挡关系。

2. PyTorch实现详解

2.1 网络架构设计

NeuS的网络结构包含两个主要MLP：

python复制class SDFNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.layers = nn.ModuleList([
            nn.Linear(3, 256),
            nn.Linear(256, 256),
            nn.Linear(256, 256),
            nn.Linear(256, 256)
        ])
        self.skip_layer = 3  # 在第4层添加跳跃连接
        self.output_layer = nn.Linear(256, 257)  # 256维特征+SDF值
        
    def forward(self, x):
        input_x = x
        for i, layer in enumerate(self.layers):
            x = layer(x)
            if i == self.skip_layer:
                x = torch.cat([input_x, x], -1)
            x = F.softplus(x, beta=100)
        return self.output_layer(x)

class ColorNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.layers = nn.ModuleList([