M-plicits：用嵌套多尺度残差重建神经隐式曲面

从噪声点云中重建干净曲面

神经隐式曲面（Neural Implicit Surfaces）近年来成为三维几何表示的重要方向，但面对带噪声的点云输入时，如何在保留几何细节和抗噪鲁棒性之间取得平衡，一直是个难题。被 NeurIPS 2026 接收的 M-plicits 给出了一种新思路：先学习一个干净的粗糙曲面，再通过残差网络在前一层曲面周围的嵌套邻域中逐级精化。

这种做法本质上是把一个复杂曲面拆解为「粗糙基底 + 多层残差细节」的结构。粗糙层负责抓住整体形状、过滤输入噪声，而后续的残差层则在前一层的近邻区域内逐步补充高频细节。由于每一层残差都被限制在上一层曲面附近的嵌套邻域内训练，模型既能表达丰富的多尺度细节，又不会被输入噪声带偏。

神经隐式曲面的核心思想是用一个神经网络来隐式表示三维形状：网络接受空间中任意一点的坐标，输出一个标量值（通常是有符号距离函数 SDF，即该点到最近曲面的带符号距离），曲面本身就是输出值为零的等值面。与显式网格相比，隐式表示天然支持任意拓扑、分辨率无关，且可通过球面追踪（sphere tracing）等算法直接渲染，无需先提取网格。然而，当输入点云带有噪声时，网络容易在拟合数据的同时将噪声也"记忆"进去，导致重建曲面出现毛刺或伪细节。现有的缓解策略大多依赖正则化项或平滑先验，但这些方法往往在去噪的同时也丢失了真实的几何细节，难以同时兼顾两者。

单一表示中的多级细节

M-plicits 最核心的设计，是把多个细节层级统一进同一个表示里。传统方法往往要么只拟合单一分辨率，要么需要多个独立模型来覆盖不同尺度，而 M-plicits 通过嵌套残差把它们组织成一个层级结构。

这样做的直接好处是可控的「噪声/细节权衡」。粗糙层天然对噪声更鲁棒，细节层则专注于几何高频成分。使用者可以根据输入质量选择停在哪一级，或者在渲染时按需调用不同层级。作者在项目页中给出了与 iNGP（Instant NGP）在噪声输入上的直观对比，突出了这种结构在抗噪场景下的优势。

配套算法：从渲染到法线计算

这篇工作不只是一个表示方法，还围绕嵌套多尺度结构提出了一整套配套算法：

• 多尺度球面追踪（multiscale sphere tracing）：支持对该表示进行直接渲染，无需先转网格。
• 解析曲面法线：不依赖自动微分即可得到曲面法线，这对渲染效率和数值稳定性都有意义。
• 曲面提取与神经法线映射（neural normal mapping）：便于把隐式表示转化为可用的几何资产。

其中「无需自动微分的解析法线」尤其值得关注。在许多隐式曲面方法中，法线要靠对网络求导得到，计算开销和实现复杂度都较高；而 M-plicits 的多尺度结构允许解析地推导法线，这在工程落地上是实打实的简化。

球面追踪（sphere tracing）是渲染隐式曲面的经典算法：从相机出发，沿光线方向每次前进当前点的 SDF 值所指示的"安全步长"，因为 SDF 保证该步长内不会越过曲面，迭代直至距离足够接近零即视为命中。这种算法在单分辨率 SDF 下效率很高，但 M-plicits 引入了多个嵌套层级后，追踪时需要综合各层级的距离信息来确定步长，否则容易步长过大而穿透细节层或步长过小而收敛极慢。多尺度球面追踪正是为此设计：粗糙层提供保守的大步长以快速接近曲面，细节层在近处提供精确的小步长以捕捉高频几何，两者协同使渲染既高效又准确。

开放的代码与大量预训练模型

作者在社区分享中强调了可复现性，公开了代码、实验数据以及 105 个检查点（checkpoint），覆盖 36 个形状并附带各自的训练配置，模型托管在 Hugging Face 上。

需要注意的是，这些检查点代表的是逐个拟合的独立曲面——也就是说，每个形状都是单独训练得到的，拟合一个全新形状仍然需要重新训练。这是当前许多 overfit 式神经表示（如 SDF 拟合）的共性限制，M-plicits 并未声称具备跨形状的泛化能力，而是聚焦于单形状的高质量、抗噪重建。

这类针对单一形状进行过拟合训练的神经表示方式，在学术界通常称为"overfitting-based"或"per-shape fitting"方法，与之对应的是具备泛化能力的"feed-forward"方法（如 DeepSDF、OccNet 等，后者可在训练后对未见形状进行推断）。两类方法各有侧重：per-shape fitting 通常能达到更高的重建精度和更丰富的细节，因为网络容量全部服务于单个目标；而 feed-forward 方法则以牺牲部分精度换取对新形状的快速适应能力。M-plicits 选择前者，意味着其105个检查点是36个形状各自独立优化的结果，研究者若要将其用于新形状，需要从头或从预训练权重出发重新训练，这在时间成本上需要提前评估。

值得讨论的几个点

作为第一作者，研究者本人在 Reddit 上明确邀请社区就两方面给出反馈：一是噪声与细节之间的权衡是否足够合理，二是与其他隐式曲面表示方法的横向对比。

从方法论角度看，嵌套残差 + 多尺度的思路并不陌生（残差精化、金字塔式细化在图形学里都有先例），M-plicits 的价值更多体现在把这些思想与隐式曲面、球面追踪渲染、解析法线计算整合成一个自洽的系统，并提供了可直接上手的代码和大量模型。对于做三维重建、神经渲染或隐式几何研究的人来说，这是一个值得跑一跑基准、拿来对比的新参照。

至于它能否在更广泛的噪声水平和形状复杂度下稳定超越 iNGP 等基线，以及单形状训练成本在实际应用中的接受度，仍有待社区在真实数据上进一步验证。