本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

May, 2019

本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF，通过最小化光度误差优化多视角反射率网络的潜在空间，成功地实现了从稀疏数据中重建出高质量的物体，进而渲染出真实的图像。

Mar, 2020

本论文研究了从 RGB 视频中重建三维物体网格的方法，结合多视角几何和数据驱动方法来优化物体网格以适应多视角光度一致性，并通过形状先验来约束网格变形。作者采用逐片图像对齐的形式，通过光度误差更新形状参数，无需深度或掩膜信息。此外，作者还展示了如何通过虚拟视点的光栅化来避免零光度梯度导致的退化问题，并展示了采用光度网格优化的方法从合成和真实视频中获得的三维物体网格重建结果，相比于传统的网格生成网络或表面重建方法，避免了繁琐的手动后处理。

Mar, 2019

本文提出了一种新颖的方法，通过应用变分方法和 MRF 来细化给定网格的几何和语义标注，并针对通过半监督学习直接估计类特定先验的方法进行了改进。

Aug, 2017

在城市环境中，使用航空和地面图像相结合的方法提高了地表重建的效率。为了解决来自视角和光照条件的巨大差异导致的特征点匹配困难的问题，本文提出了一种新方法，利用摄影测量网格模型进行相机标定和图像匹配，这种方法具有线性时间复杂度，可以解决多个问题，从而得到更为准确完整的模型。

Feb, 2020

我们提出了一种新的方法，从多视角图像中进行 3D 网格重建。我们的方法借鉴了像 LRM 这样的大型重建模型，使用了基于 Transformer 的三面体生成器和在多视角图像上进行训练的神经辐射场（NeRF）模型。然而，在我们的方法中，我们引入了一些重要的修改，以显著提高 3D 重建质量。

Jun, 2024

该论文通过使用立体和多视角的高分辨率卫星遥感数据，探索了在建筑物建模、冰川动态跟踪和湖泊藻类监测等领域解决遥感应用问题的新方法，展示了卫星摄影测量应用在城市和环境挑战中的广泛潜力，并展示了提高应用立体和多视角的高分辨率卫星遥感数据的创新分析方法。

Apr, 2024

本研究探索了使用光度学技术（阴影形状和非标定光度立体）将 RGB-D 传感器的低分辨率深度图上采样到伴随的 RGB 图像的高分辨率。首先提出了一种有效的单次变分方法，而这依赖于目标的反射率是分段常数。随后，展示了这个依赖特定反射模型的限制可以通过关注特定类别的对象（例如面部），并将反射率估计委托给深度神经网络来缓解。最后讨论了一种基于随机变化光照条件的多次采集策略。这不需要反射率的培训或先前知识，但其代价是专用采集设置。通过定量和定性评估，证明了所提出方法在合成和真实场景中的有效性。

Sep, 2018

本文提出一种新的方法，可同时优化几何编码、纹理以及材料和场景照明，以从消费级 RGB-D 传感器中获得高质量的 3D 重建。

Aug, 2017

该研究利用条件去噪扩散概率模型（DDPM）通过训练产生高分辨率的三维表面来进行单幅遥感图像的高度估计。实验结果表明该方法在 Vaihingen 基准数据集上有很好的效果。

Apr, 2023