该论文介绍了一个实时分割和重构系统，利用 RGB-D 图像生成准确而详细的物体三维模型，可以应用于增强 / 虚拟现实、室内设计、城市规划、道路辅助和安全系统等领域。通过采样连续帧以减少网络负载并确保重构质量，采用多进程 SLAM 管道实现并行三维重构，并使用了业界领先的 YOLO 框架进行实例分割，以提高性能和准确性。该系统在室内环境中建立了一个强大的实时系统，对物体分割和重构具有重要的增强效果，也可以扩展到室外场景，为实际应用开辟了众多机会。

Nov, 2023

本文介绍了 Co-Fusion，它是一种密集型 SLAM 系统，使用实时的 RGB-D 图像流作为输入并将场景分割为不同的对象（使用运动或语义线索）同时实时跟踪和重建它们的 3D 形状。我们使用多模型拟合方法，其中每个对象可以独立移动并仍然可以有效跟踪其形状并在时间上融合它们。因此，我们的系统可以使机器人在对象层面维护场景描述，从而使其能够与其工作环境进行交互，即使场景是动态的。

Jun, 2017

DoubleFusion 提出了一种新的实时系统，将体积动态重建与数据驱动的模板拟合相结合，能够同时从单个深度相机中重建详细的几何形状、非刚性运动和人体内部形状，并实现快速运动跟踪性能。

Apr, 2018

该研究提出了一种使用深度数据构建可追踪的关节对象完整绑定形式建模的方法，该方法包括 deformable mesh tracking，motion segmentation，spectral clustering，嵌入式骨架和蒙皮权重。

Sep, 2016

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

本文提出了一种名为 OcclusionFusion 的新方法，使用一种基于 LSTM 图神经网络的遮挡感知 3D 运动来指导实时重建，实验证明该方法的性能比现有的基于单视角的方法要好得多。

Mar, 2022

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

通过使用单个消费级 RGB-D 传感器以实时速率进行动态几何形状的重建，我们提出了一种新的方法，该方法不需要预定义的形状模板，并且在扫描过程中从头开始构建场景模型。采用了体积表示法对几何和运动进行参数化，并且基于提取的稀疏颜色特征与密集深度约束公式相结合实现了运动跟踪。从而保证了准确跟踪并大大降低了标准模型到深度对齐固有的漂移。同时，我们还将寻找空间最佳变形视为非线性正则化变分优化问题，并通过在本地平滑和靠近输入约束的同时实现了数据并行的翻转优化策略。研究结果表明，即使在快速运动和缺乏几何特征的场景下，也能实现稳健的跟踪。

Mar, 2016

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

该研究论文介绍了一种动态场景重建的新型双阶段流程，通过绕过遮挡的限制，持续捕捉不断演化的场景几何形状，从而增强整体抓取规划过程，并使最先进的 6 自由度机器人抓取算法展示出明显的改进精度。

Apr, 2024