该论文提出了一种将 2D 图像曲线组合成 3D 曲线集合，构建具有拓扑连接性的 3D 图形的方法，以实现对 3D 场景的结构化表示和重建。

Sep, 2016

该研究提出了一种利用插值与外推技术，通过有效计算几何特性和引入权重感知的隐式神经表示法，在有限的已知数据下重建具有优异定量和定性结果的表面，并能够处理非闭合表面的局部退化区域

Jun, 2023

本研究利用深度神经网络的可微分性，防止曲面崩溃和强烈减少曲面重叠，在表面重构方面显著超过现有技术。

Nov, 2019

通过提取内外部几何特征，DeepBranchTracer 方法实现了对含有复杂拓扑和模糊图像证据的曲线结构的重建，具有优越的准确性和连续性。

Feb, 2024

本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。

Jun, 2023

本文提出了一种基于深度学习架构的样条拟合方法，可以用于根据图像或点云输入重构几何图形，与传统的基于样条的方法相辅相成。

Jan, 2019

通过反向程序化建模的方法，我们提出了一种三维重建技术，并研究了两种变种。第一种选择使用遗传算法来拟合输入参数的集合，我们展示了我们在树模型和复杂对象的实验结果。第二种选择通过使用变异算法、可微分渲染和不可微分程序化生成器，显著提高了精度。我们的研究有两个主要贡献：首先，我们提出了一种将可微分渲染和反向程序化建模相结合的方法，从而在只有少量输入图像可用时（甚至只有一张图像），比现有方法更精确地重建三维模型；其次，我们将可微分和不可微分的程序化生成器结合在一个框架中，允许我们将反向程序化建模应用于相当复杂的生成器：当梯度可用时，重建是精确的；当梯度不可用时，重建是近似的，但总是高质量且无视觉伪影。

Oct, 2023

本文介绍了一种名为 FlexiCurve 的新方法用于照片增强，该方法相对于现有方法具有更高的效率和灵活性。

Oct, 2020

本文提出了一种新颖的点云曲线聚合方法，该方法首先在点云中进行诱导游走，然后再将曲线聚合起来，以增强其点级特征。该方法在多个点云分析任务上进行了基准测试，在 ModelNet40 分类任务中达到 94.2％的分类准确度，在 ShapeNetPart 分割任务中获得 86.8 的实例 IoU，在 ModelNet40 正常估计任务中获得 0.11 的余弦误差，表现出卓越的性能。

May, 2021

使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

Nov, 2018