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

本文探讨了在没有对应关系的情况下，如何从 3D 点云序列中重构出时间连贯的表面。为了解决这个具有挑战性的任务，我们提出了 DynoSurf，这是一个融合可学习变形场和模板表面表示的无监督学习框架。具体而言，我们设计了一种基于可变形四面体表示的粗到细的学习模板表面的策略。此外，我们提出了一种基于可学习控制点和混合权重的可变形表示，可以在保持局部形状一致性的同时非刚性地变形模板表面。实验结果表明，DynoSurf 相对于当前最先进的方法具有显著的优势，展示了其作为动态网格重构强大工具的潜力。该代码可以公开获取于此链接。

Mar, 2024

我们提出了一种自动化技术，用于计算两个零层面的形状之间的映射，将语义对应的区域互相匹配。我们的方法通过多个视点渲染一对 3D 形状，然后将生成的渲染输入到一个现成的图像匹配方法中，以利用预训练的视觉模型生成特征点。这产生了语义对应，可以投射回 3D 形状，生成不准确且在不同视点之间不一致的原始匹配。这些对应通过专门的优化方案进行精炼和提炼，形成了一个表面间映射，促进了输出映射的双射性和连续性。我们证明了我们的方法可以生成语义表面到表面的映射，消除了手动注释或任何 3D 训练数据的需求。此外，它在具有高语义复杂性的情景中也证明了有效性，在这些情景下，物体是非等距的关系，以及在几乎等距的情况下。

Sep, 2023

我们介绍了一种在线的二维到三维语义实例映射算法，旨在生成适用于非结构化环境中的自主代理的全面、准确且高效的语义三维地图。该方法基于最近算法中使用的 Voxel-TSDF 表示，引入了在映射过程中集成语义预测置信度的新方法，产生了语义和实例一致的三维区域。通过基于图优化的语义标记和实例细化，进一步提高了准确性。该方法在公共大规模数据集上的准确性优于现有技术，改进了一些广泛使用的度量标准。我们还指出了最近研究评估中的一个问题：使用真实轨迹作为输入而不是 SLAM 估计的轨迹，这对准确性产生了重大影响，导致了报告结果与实际在实际数据上的性能之间存在很大差距。

Sep, 2023

该论文提出了一种基于 2D 图集的视频编辑方法，该方法可以将输入视频分解为一组 2D 图集表示，以提供视频中对象（或背景）的外貌的整合表现，并自动地映射回原始视频帧，从而可以处理复杂的动态真实世界视频。

Sep, 2021

本文介绍了名为 NeuralRecon 的新型框架，可实时从单目视频中重建 3D 场景。该系统采用基于学习的 TSDF 融合模块，通过神经网络直接逐个重建局部表面，从而捕捉局部平滑性先验和全局形状先验，实现高精度，连贯和实时的表面重建。实验结果表明，该系统在准确性和速度方面均优于现有的方法。这是首个能够在实时情况下重建连贯稠密 3D 几何模型的基于学习的系统。

Apr, 2021

本文提出了一种算法，用于从野外视频中重建变形对象实例的时间一致 3D 网格，不需要每个视频帧的 3D 网格注释，2D 关键点或相机姿态，而是将基于视频的重建构建为适用于任何传入测试视频的自监督在线适应问题。

Dec, 2020

本研究提出了一种最小神经图形集合，用于表达任意拓扑的表面，同时保证了重构准确度和模型效率，并在计算机视觉、图形学和机器人等领域有广泛应用。

Jul, 2022

通过引入两种新的损失函数，一个利用表面法线，一个最小化拼接误差，我们提出了一种方法，明确地鼓励局部映射的整体一致性，在标准基准测试上表现优于基准线，同时强制执行更好的拼接，使重建的对象具有更好的视觉质量。

Oct, 2020

提出了一种端到端的三维重建方法，通过直接回归截断带符号距离函数（TSDF）从一组姿势 RGB 图像中实现。使用 2D CNN 独立地提取每个图像的特征，然后通过相机内参和外参进行反投影和累积到体素体积中。此外，通过该方法获取到了三维模型的语义分割。该方法在 Scannet 数据集上得到了评估，既在量化指标上，也在视觉效果上都超过了国际领先的基准结果。

Mar, 2020