在用深度相机做三维重建时，如果只是简单地把多帧点云拼在一起，或者直接用TSDF融合生成网格，往往会在模型表面之外看到一层飘着的、幽灵一样的薄片。这些薄片有的像雾状碎屑包裹在物体周围，有的则形成与真实表面平行的重影层，业内一般称之为浮面伪影（floating artifacts）。它们不仅让模型看起来脏乱，还会直接影响后续的测量、渲染和打印。要从根源上解决这个问题，靠手工删面片是行不通的，必须从深度约束和几何正则化两个方向入手，让优化过程本身就倾向于产生干净的表面。
浮面伪影到底是怎么产生的
浮面伪影的第一大来源是深度噪声。结构光或ToF相机在物体边缘、黑色高反表面、远距离区域测得的深度值误差较大，这些错误深度值经过相机外参变换进入全局坐标系后，就变成了悬在真实表面之外的孤立点。当点云被泊松重建或TSDF融合转换为网格时，这些孤立点会被表面化，形成浮面。
第二大来源是多视角不一致。相邻两帧之间的位姿估计存在累积误差，同一段物理表面在不同帧中的重建结果无法完全对齐，融合时就会在真实表面两侧各生成一层，中间夹着一段空隙，看起来就像表面发生了分裂。深度相机的截断区间设置过宽时，TSDF体素会在物体前后各扫出一片非零区域，进一步放大这种重影。
第三大来源是重建算法本身的过平滑倾向。泊松重建等隐式方法为了保证表面封闭，会倾向于把稀疏噪点也包进一个连续曲面里，噪声点越多，被包裹出来的虚假面积就越大。理解了这三条成因，就能明白为什么单纯调一个参数很难根治问题，需要多管齐下。
用深度约束把几何拉回真实表面
深度约束的核心思想是：既然深度图是原始观测数据，那么重建出的表面在对应像素的视线方向上，距离应该与观测深度值接近。可以在能量函数中加入一项深度一致性项，对偏离观测深度的表面点施加惩罚。以神经隐式SDF重建为例，典型的深度约束损失可以写成如下形式：
import torch
def depth_consistency_loss(sdf_points_depth, observed_depth, valid_mask):
"""
sdf_points_depth: 沿视线采样点经SDF网络推断出的表面深度
observed_depth: 深度图在该像素处的观测值
valid_mask: 有效深度掩码，过滤掉无效观测
"""
residual = sdf_points_depth - observed_depth
# 只对有效像素计算损失，采用huber形式抑制离群点影响
abs_res = torch.abs(residual)
huber = torch.where(
abs_res < 0.05,
0.5 * residual ** 2,
0.05 * (abs_res - 0.5 * 0.05)
)
return (huber * valid_mask.float()).sum() / (valid_mask.sum() + 1e-8)
这里有两点值得展开。第一，采用Huber损失而不是纯L2损失非常关键，因为深度图里的离群点虽然数量不少，但都是无效信息，L2会被它们牵着走，Huber则能把大残差线性化，避免噪声主导优化方向。第二，有效掩码必须认真构造，除了深度值为零的无效像素外，物体边缘一圈的深度跳变像素也应该排除，否则约束本身就会把表面往错误位置拉。
除了损失函数层面的约束，采样策略同样重要。沿每条视线采样时，应该在观测深度附近做非均匀采样，越靠近表面采样越密，远处稀疏采样。这样既能精确刻画表面位置，又不会把计算资源浪费在空气区域，同时减少空气区误产生SDF零交叉面的机会，这本身就是浮面的一种典型成因。
几何正则化：让表面自己变得干净
深度约束解决的是表面在哪里的问题，几何正则化解决的是表面长什么样的问题。最常用的是法向一致性正则。对于SDF表示，梯度方向就是表面法向，可以让渲染出的法向与深度图根据邻域像素推算的法向对齐：
def normal_regularization(pred_normal, depth_normal, valid_mask):
"""
pred_normal: SDF梯度归一化后得到的预测法向
depth_normal: 由深度图邻域差分计算的观测法向
"""
dot = (pred_normal * depth_normal).sum(dim=-1)
# 1 - cos(theta)，鼓励预测法向与观测法向同向
loss = 1.0 - torch.clamp(dot, min=-1.0, max=1.0).abs()
return (loss * valid_mask.float()).mean()
法向一致性之所以能抑制浮面，是因为浮面通常呈现随机取向的碎屑状，与观测法向冲突剧烈，正则项会持续惩罚这些区域，训练迭代中它们要么被压平消失，要么被推回主表面。需要注意的是，观测法向在深度不连续处不可靠，计算差分时必须用鲁棒估计或者在跳变边处直接屏蔽。
另一个有力工具是平滑正则化。对于显式网格表示，可以对顶点施加拉普拉斯约束，让每个顶点向邻域质心靠拢，孤立漂浮的顶点因为邻域稀疏、拉力不平衡，会逐渐被吸附或坍缩消失。配合曲率惩罚项，还能防止表面在去噪过程中丢失细节。实践中的经验是先做几轮较强的全局平滑去除明显浮面，再逐步降低平滑权重保住细节，这个退火过程比固定权重的效果好得多。
此外，Eikonal项也是SDF类方法必备的正则化。它约束梯度模长恒为一，能保证SDF场处处是规范的距离场，零水平集不会出现多余的分支面片。很多浮面问题追根溯源是SDF场训练不充分，某些空气区域梯度接近零，导致出现大片虚假零交叉，Eikonal约束配合足够的空气区采样点，能从根本上杜绝这类情况。
工程实践建议与参数选择
在真实项目里，建议按以下顺序排查和处理浮面问题。先检查深度预处理：做一遍双边滤波或者时间维中值滤波，去除脉冲型噪点，这一步成本极低但收益明显。然后检查TSDF截断区间，一般设置为物体表面精度需求的三到五倍即可，过宽的截断区间是重影层的常见制造者。
接着在重建优化中加入上述三项约束，权重的经验起点可以设为：深度一致性项权重取一，法向正则项权重取零点一到零点三，Eikonal项权重取零点零一到零点零五。如果模型变干净但细节丢失，说明平滑类约束过强，优先降低拉普拉斯权重而不是动深度项。如果浮面仍残留，观察浮面出现的位置：靠近表面的重影层通常是位姿误差或多视角不一致导致，应该在融合前做一遍迭代最近点的位姿精化；远处的雾状碎屑则是深度噪声所致，应该收紧有效掩码并加强离点惩罚。
最后，不要忽视后处理的兜底作用。即便前面做得很好，少量残余小连通分量仍然可能出现，按连通域面积做一次阈值过滤，删除面积小于一定比例的悬浮网格块，是几乎所有商用重建管线的标配。深度约束与几何正则化负责让优化过程产生干净的表面，连通域过滤负责清扫漏网之鱼，两者结合基本可以做到交付级的模型质量。