本文提出了一种正常积分的高效方法，其中包含非矩形域、自由边界和深度不连续性，同时，对于可以将场景分成不连续部分的场景处理非连续表面的方法，Mumford-Shah 分割方法和各向异性扩散被证明是恢复不连续性最有效的。

Sep, 2017

许多表面重建方法包括法线积分，即从表面梯度获取深度图的过程。为了从导入的法线图中重建准确的深度图，必须处理由跳跃引起的隐藏表面梯度。为了正确建模这些跳跃，我们为法线积分的域设计了一种新的离散化方案。我们的核心思想是引入辅助边，在域中连接分块平滑的路径，以明确表示隐藏跳跃的大小。利用辅助边，我们设计了一种新的算法来优化输入法线图中的不连续性和深度图。我们的方法通过使用迭代加权最小二乘和辅助边上跳跃值的迭代滤波的组合来优化不连续性，从而提供强的稀疏正则化。与先前的保持不连续性的法线积分方法相比，我们的方法通过明确表示跳跃，允许强的稀疏正则化，从而准确地重建微小的不连续性。

Apr, 2024

SuperNormal 是一种快速、高保真度的多视图 3D 重建方法，利用表面法线图生成详细表面，通过多分辨率哈希编码和基于路径的射线行进来优化神经有符号距离函数 (SDF) 的体积渲染，相较于现有的多视图光度立体重建方法，在效率和准确性上表现卓越。

Dec, 2023

介绍了一种用于集成多视角反射和法线映射的通用范例。它使用像素级联合参数化反射和法线，将它们视为在模拟的不同光照下渲染的辐射矢量。该方法在神经体渲染的基于 3D 重建中，实现了反射和法线映射的无缝集成，同时保留单一的优化目标，从而优于最先进的 MVPS 方法，特别是在高曲率或低可见性区域的详细 3D 重建方面。

Dec, 2023

本文提出了一种在二维法线领域中提取新的法线特征表示作为微几何结构携带者的高效表面细节处理框架，该框架具有细节可分离性、细节可传递性和细节幂等性，应用于几何表面细节处理中，包括几何纹理合成、几何细节传输和三维表面超分辨率，可以高效地提取高清晰度 3D 视觉应用的表面细节。

Jul, 2023

本文研究计算机视觉中的一个基本问题，即如何从平面图像中推断出世界的内在 3D 结构，并提出一种统计推断的优化问题，通过考虑表面光滑、颜色均匀、光照自然等先验知识，提出一种能够从单张图像中还原场景属性，包括形状、反射率和光照等的技术。该方法包含多个计算机视觉问题的超集，并优于以前所有单独问题的解决方案。

Oct, 2020

通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

Jun, 2024

本文研究如何利用法线估计模型和预测的法线图提高深度质量，方法包括联合学习多视角法线估计和深度估计模块以及提出一种新的一致性损失来训练一个独立的一致性模块来细化深度 / 法线对。实验结果表明，该方法具有高精度、平滑等优点，在多个数据集上的表现均优于现有技术。

Nov, 2019

提出了一种使用基于坐标的神经网络学习高效闭合解法的自动积分框架，在神经渲染中提高渲染速度并改善图像质量。

Dec, 2020

本文提出一种基于神经网络的标准化方法，该方法通过深度卷积神经网络自动学习归一化矩阵，从而在两个视角下对物体进行几何计算，并在合成和实际图像上进行了广泛的实验验证。

Apr, 2023