提出了一种新的实时端到端重建框架，通过一种高效的分层方法考虑 RGB-D 输入的完整历史，优化单帧的全局相机姿态，同时支持稳健跟踪和全局一致的建模，实现了全球最佳实践的实时建模，成为大型室内环境的综合在线扫描解决方案，实现了易于使用和高质量的结果。

Apr, 2016

该研究提出了一种实时重建大规模戶外动态环境的端到端系统，可以在维持追踪动态物体姿态信息和保证实时运行的情况下，提供具有高质量的密集 3D 重建效果。

Mar, 2019

我们提出了一种增量联合学习框架，通过采用基于视觉变换器的网络作为主干来实现准确的深度、姿态估计和大规模场景重建，并构建了增量场景表示方法以增强三维场景表示的可伸缩性。

Apr, 2024

提出了一种多摄像机系统来实现密集的三维重建和自我运动估计，通过多摄像机间的几何估计和单目深度优化来获得鲁棒的几何深度和姿态估计，同时通过深度优化网络引入可学习的场景先验，从而在具有挑战性的动态室外环境中实现了稠密、一致的三维重建。

Aug, 2023

本文介绍了一种重建 4D 时间连续场景模型的方法，该方法使用多个移动相机进行重建，可以重建动态或静态物体，同时将稀疏 - 稠密时序对应与联合多视角分割和重建结合使用，利用时间上的连续性克服了视觉歧义，并通过引入测地线星凸性的约束实现了具有鲁棒性的动态物体分割和重建。

Mar, 2016

本文提出了一种用于从 LiDAR 重建大规模城市场景的动态表面重建方法，通过全局优化降低预测表面与输入 LiDAR 扫描数据的距离，实现了对刚性移动物体的运动补偿，并展示了该系统在自动标记局部注释序列和生成难以标记问题的真实注释方面的应用。

Jun, 2024

通过实时深度数据重建场景的完整三维模型存在遮挡缺失的问题。我们提出了一个基于深度图输入序列、支持实时增量和语义场景完成的框架，其中利用一种新颖的神经架构以及基于体素状态的方式来识别精确、高效的语义完成，并将其与全局三维模型相融合，从而最终达到精准高效的三维语义场景完整。

Oct, 2020

本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

Jun, 2019

该论文介绍了一种不需要先验知识的方法，利用多视角相机从复杂动态场景中获取 4D 的、时间相干的场景模型的无监督重构，并通过应用于自由视角渲染和虚拟现实中，改善了非刚性对象分割和形状重构的精度。

Jul, 2019

本文提出了一种用于在 RGB-D 传感器上进行大规模 3D 重建的实时表面矫正方法，该方法通过实时估计相机运动并在全局姿势图优化中进行精调来纠正可能出现的表面偏差，能够在仅使用单个 GPU 的情况下实现大型环境的实时表面纠正，相比最新技术而言，具有更高的运行时效率并且需要显著更少的内存。

Sep, 2017