本文提出了一种新的单目密集三维重建方法，利用超像素过分割模拟动态场景，并减少结构运动中固有的相对尺度模糊问题。经实验表明，该方法在合成和真实单目序列方面相对优于业界最先进的方法。

Aug, 2017

基于预训练神经替代模型的快速和稳定的织物三维重建算法，可精确、稳定、平滑地重建几何体，与物理基础的 SfT 方法相比，运行时间减少了 400-500 倍。

Nov, 2023

本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。

Nov, 2020

本文提出了一种在 Grassmann 流形上建模的密集非刚性结构运动方法，通过在时空上局部线性子空间的联合模拟非刚性变形，不仅可缩小误差和提高可扩展性，而且对于高度非线性的形变具有更好的鲁棒性。

Mar, 2018

本文提出了一种简单且实用的解决方案，在多视角重建中使用基于联合几何和光度约束的能量最小化，利用一个共置的摄像机 - 光线扫描仪设备来克服建立跨视觉对应的问题。我们的优化算法可以从随机初始化中稳健地全局最优地恢复形状和反射率。实验结果验证了我们方法的有效性并讨论了未来的可能扩展。

May, 2021

从任意单眼视频中重建高保真 3D 头部模型的方法。设计了一个带有两个动态变形场的动态隐式神经网络，通过学习的有符号距离场在规范空间中建模头部几何形状，以提高重建精度和鲁棒性。与先进方法的大量消融研究和比较显示出我们提出的方法的有效性和鲁棒性。

Dec, 2023

本文提出了一种无模板的分析合成策略的方法，可以从单个视频中学习三维形状，有效地重建了人、动物和未知类别对象的非刚性三维结构。

May, 2021

DefSLAM 是第一个能够实时在变形场景中运行的单目 SLAM 算法，其结合了 SfT 和 NRSfM 技术来处理 SLAM 的探索性序列。其中，通过处理一个在场景静止时建模的模板，变形跟踪线程以帧速率提取摄像机的姿态和所观察到的场景变形，而变形映射线程随之以关键帧率更新模板，从而实现了对于移动摄像机的精确三维建模。

Aug, 2019

本研究使用深度学习等技术，提出了一个基于点到表面距离的补丁感知（patch-awared）多视角立体重建（multi-view stereo）方法，能够更好地重建纹理缺失区域和表面边界，并且经过实验证明，在 DTU 和 Tanks & Temples 数据集上达到了最佳重建效果。

Apr, 2023

我们提出了一种名为 EMR-MSF 的优越模型，通过借鉴监督学习范围内的网络架构设计，在两个时间连续的单目图像中理解三维结构和三维运动，并进一步通过精心构建的相机运动聚合模块塑造出显式和强健的几何约束；该模块提出了一个刚性软遮罩来过滤出稳定的自运动估计中的动态区域，并采用静态区域。此外，我们提出了一个运动一致性损失和一个遮罩正则化损失来充分利用静态区域。整合了几种高效的训练策略，包括梯度分离技术和增强的视角合成过程以获得更好的性能。我们的方法在 KITTI 场景流基准中将自监督单目方法的 SF-all 指标提高了 44％，并在深度和视觉里程计等子任务以及其他自监督单一任务或多任务方法中展现出卓越的性能。

Sep, 2023