本文解決的問題

傳統的基于Pifu的人體三維重建一般通過采樣來進行學習。一般選擇的采樣方法是空間采樣，具體是在surface的表面隨機位移進行樣本的生成。這里的采樣是同時要在XYZ三個方向上進行。所以這導致了一個問題： 點的位移方向是沒有任何約束的，也就是說在任意方向均可采樣。可是者在一定的程度上就對確定surface產生了挑戰。 因為我們采樣的最終目的其實是為了確定目標平面，但是因為方向是隨機的就很難準確的找到surface的具體位置，就出現了ambiguity。 就這個問題進行優化的方式比如DOS，限制了XY方向上的采樣，只從Z方向上進行采樣，標簽由離相機方向最近的平面來決定的。這減小了一些模糊的情況，但是不夠魯棒。

本文提出的方法以及啟發

FSS在DOS的基礎上提出的新的改進，提出的是雙樣本點的方法，也就是說，在平面內和平面外分別確定兩個點，這兩個點之間的連線的中間點就必落在 surface在很大的程度上解決了模糊定位的情況，surface的位置就很清晰了。
除此之位的，本文還對較薄的身體位置進行了針對性的設計。對于相對較薄的身體部位而言，根據厚度去調整位移量，從而做到保留住像手指，耳朵，這樣的細小的人體結構。并通過設計錨點樣本，在這些較薄的區域內，設置一個錨點用于糾正bias。這里的BIAS主要是來自于標簽的值，通常情況下，我們會認為大于0.5的值是在surface里面，小于0.5的值是在surface里面，等于0.5的值是surface上面，但是整體統計看來，最大的值也才0.6 所以模型會偏向于將點的值歸類為在平面外面。

還有一點可以啟發之后的工作，是用tri-pifu的模塊代替了MLP 的解碼工作。一般的方法都會通過marching cubes來提取網格，這個過程的計算成本特別高而且不可微。 這里改進的是將特征體積視為隱式函數的3D空間（D×H×W），通過Sigmoid激活直接輸出0到1的占用值，無需MLP解碼。這使得厚度可通過沿z軸求和特征體積來高效計算。