P-CORE: Self-Supervised Surface Consistency for Point-Based Neural Editing

📄 arXiv: 2609.03349v1 📥 PDF

作者: Yanshu Zhang, Shichong Peng, Mehran Aghabozorgi, Alireza Moazeni, Ke Li

分类: cs.CV, cs.GR

发布日期: 2026-09-03

备注: Accepted to ECCV 2026. Project Page: https://zvict.github.io/p-core/

💡 一句话要点

提出P-CORE以解决点云表面一致性问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 点云表示 自监督学习 非刚性形状编辑 神经渲染 多视图重建 表面一致性 随机变形

📋 核心要点

  1. 现有点云表示在大变形下容易出现孔洞和表面不连续性，限制了其在非刚性形状编辑中的应用。
  2. 本文提出了一种自监督方法，通过生成随机变形并确保变形前后表面一致性来解决上述问题。
  3. 在合成几何编辑基准测试中，本文方法在零-shot编辑中表现优异，显著减少了伪影，验证了其有效性。

📝 摘要（中文）

随着神经渲染技术的发展，实现高保真度的3D场景多视图重建已成为可能。然而，自由形状的非刚性形状编辑仍然面临重大挑战。点云神经表示因其缺乏固定连接而在多视图重建中备受青睐，但这一特性在大变形下导致了孔洞和表面不连续性的问题。为了解决这一问题，本文提出了一种新颖的自监督方法，使点云表示能够适应大变形，而无需真实的多视图图像作为参考。核心思想是生成随机变形，并确保变形前后预测表面的一致性。实验结果表明，该方法在零-shot编辑中显著优于现有点云方法，并有效减少了伪影。

🔬 方法详解

问题定义：本文旨在解决点云表示在大变形下出现的孔洞和表面不连续性问题。现有方法在处理自由形状编辑时，往往无法保持表面的一致性，导致重建效果不佳。

核心思路：论文的核心思路是通过自监督学习生成随机变形，并确保变形前后表面预测的一致性。这种设计使得点云表示能够在不依赖真实图像的情况下适应大变形。

技术框架：整体架构包括生成随机变形、表面预测一致性检查和基于注意力的点表示。与基于点的插值核相比，本文采用学习的插值核，以适应大变形。

关键创新：最重要的技术创新在于引入了自监督学习机制，确保了变形前后表面的一致性。这一方法与传统的基于高斯核的点表示方法本质不同，能够更好地处理大变形。

关键设计：在技术细节上，本文设计了特定的损失函数来衡量变形前后表面的一致性，并使用了学习的插值核来替代固定的高斯核，从而提高了模型的适应性和鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，P-CORE在Neural Editor和Objaverse等合成几何编辑基准测试中，显著优于现有点云方法，尤其在零-shot编辑中减少了伪影，提升幅度达到XX%。此外，在DTU和Mip-NeRF 360数据集上的定性结果进一步验证了该方法在真实场景中的有效性。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、游戏开发和计算机动画等，能够为非刚性形状编辑提供更高效的解决方案。随着技术的进步，未来可能在实时3D重建和交互式编辑中发挥重要作用，提升用户体验和创作效率。

📄 摘要（原文）

Advances in neural rendering have enabled high-fidelity multi-view reconstruction of 3D scenes. However, free-form non-rigid shape editing remains a significant challenge. Point-based neural representations are highly desirable for multi-view reconstruction because they lack fixed connectivity, which does not constrain the learned surface topology to that of the initialization. Yet this same property causes point-based representations to struggle with holes and surface discontinuities under large deformations. To address this, we propose a novel self-supervised method to enable point-based representations to adapt to large deformations without requiring ground truth multi-view images of deformed geometry. The key idea is to generate random deformations and to ensure consistency in the predicted surface before and after deformation. In particular, the surface prediction from the deformed point cloud should be the same as the deformation applied to the surface prediction from the original point cloud. We incorporate our approach into attention-based point representations, which differ from splatting-based point representations in their use of a learned interpolation kernel between points as opposed to a Gaussian kernel around each point. This learned interpolation kernel can learn to adapt to large deformations, without requiring addition or removal of points. We show that our framework significantly enhances its robustness to large deformations. Experiments on synthetic geometry editing benchmarks (Neural Editor, Objaverse) demonstrate that our approach outperforms existing point-based methods in zero-shot editing and significantly reduces artifacts. Furthermore, qualitative results on the DTU and Mip-NeRF 360 datasets demonstrate our method's effectiveness on real-world scenes.