本文提出了一种从图像中自动进行三维重建的递增式初始化流形表面的新方法，通过结构从运动提取三维点，迭代执行现有流形重建步骤和新的网格扫描算法，以改进流形重建的分辨率和精度，从而提高多视图立体技术的收敛效果。
Apr, 2016
本文提出一种可扩展且健壮的方法，通过多视点三维立体点云计算三维表面网格，能够处理点密度极大跳跃，用于提取表面假设和合并表面假设，具有卓越的精度和完整性。
May, 2017
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
本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。
Jul, 2020
本文提出了一种基于自编码器的3D点云去噪方法，该方法通过学习嵌入式邻域特征的稀疏点的局部和非局部特征表示，对3D点云中的噪声进行去除，并通过重建的流形重新采样得到去噪后的点云，该方法在合成噪声和真实世界噪声下均表现出显著的性能优于现有的去噪方法。
介绍了一种新的自我交叉消除算法TransforMesh和基于此算法的网格演化框架，可以处理高度变形的网格表面同时保持其流形性质，解决了传统方法中自交和拓扑变化等问题。
Dec, 2020
本文提出了一个基于可微分的Poisson曲面重建形式的可微分点到网格层，实现与另外两种不同类型表达（点和网格）之间的连接，达到更好的3D 重建效果, 比基于神经暗示表达的方法更精炼且推理时间加速了一个数量级。
Jun, 2021
一种基于学习的视可见性面重建方法，使用3D Delaunay四面体化及基于图神经网络的分类方法识别点云中缺陷区域并生成表面模型的能量模型，以局部几何和视线可见性信息学习能见度模型，结合深度学习和能量模型的优点，优于当前公开的基于学习和非学习的表面重建算法。
Jul, 2021
本文提出了一种基于深度神经网络的点云三角化方法，通过检测三角形垂心来实现，从而避免了枚举所有三角形组合和表面参数化，实现了高效、通用和稳健的三角化。
Jan, 2023
通过合并网络（MergeNet），该论文介绍了一种从稀疏点云预测边连接以重建网格的新方法。MergeNet学习提取候选边的特征并回归到底层表面的距离，从而筛选出位于表面上的边，通过细化这些边形成的三角形来重建网格。在合成和真实扫描数据集上的广泛实验表明MergeNet优于当前最先进的直接方法。
Jul, 2024