利用点引导机制实现精确和高效的多视图重建，通过优化神经投影模块和隐式表面表示，提高面向细节和光滑区域的高质量曲面重建，并且对噪声和稀疏数据具有很强的鲁棒性。

Oct, 2023

SparseNeuS 是一种基于神经渲染的表面重建方法，采用有符号距离函数（SDF）作为表面表示，通过几何编码体引入图像特征的通用先验知识进行预测，在利用稀疏视图进行高质量重建时采用了多级几何推理框架、多尺度颜色融合方案和一致性感知微调。实验证明了该方法在速度、泛化性能和灵活性方面均表现出优越性。

Jun, 2022

提出了一种快速的神经表面重建方法，称为 NeuS2，通过将多分辨率哈希编码集成到神经表面表示中，实现了两个数量级的加速，并通过 CUDA 实现了整个算法。该方法不仅提高了表面重建的准确性，还能有效地解决神经表面表示的训练时间长的问题，特别是在动态场景下。

Dec, 2022

该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

May, 2022

本文提出了一种名为 SC-NeuS 的联合学习策略，该策略利用多视角约束从稀疏视图中恢复连续表面重建，并获得了比现有的神经表面重建方法更好的重建结果。

Jul, 2023

NoPose-NeuS 是一种将 NeuS 扩展到联合优化相机姿势、几何和颜色网络的神经隐式表面重建方法，通过将相机姿势编码为多层感知器 (MLP) 并引入多视图特征一致性和渲染深度损失，约束学习到的几何来获得更好的相机姿势和场景表面估计。DTU 数据集上的广泛实验表明，该方法能够估计相对准确的相机姿势，同时保持高质量的表面重建，平均 Chamfer 距离为 0.89。

Dec, 2023

本文提出了 HF-NeuS 方法，在神经渲染中改善了表面重构的质量，首先通过建立透明度函数与 SDF 的关系，将透明度作为变换后的 SDF 来建模，并采用粗到细的策略将 SDF 分解成基函数与偏移函数，最后设计了自适应优化策略，使得训练过程更加关注表面附近存在微小差错的区域，从而获得了比现有技术更好的表面重构质量。

Jun, 2022

该研究通过统一的方式制定了表面和体渲染，从而使得无需任何输入蒙版即可实现准确表面重建，并通过实验证明其能够在各方面都优于 NeRF 方法并与 IDR 方法相媲美。

Apr, 2021

本文介绍了一种新的神经渲染框架，名为 nEudf，它可以仅通过多视图监督来重建具有任意拓扑结构的表面；多次实验结果表明，相对于已有的多视图表面重建方法，nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。

Apr, 2023

本文主要研究目标是在计算机视觉中从多视图图像或单目视频中重建物体表面，作者通过将网格结构与颜色相结合的方式，在去除视角相关颜色的同时通过重新照明网络保持体积渲染性能，通过有向距离函数网络提取表面的网格，并从全局颜色网络获取每个表面顶点的颜色，结果表明该方法在物体扫描任务和公开数据集上的性能优于现有方法。

Aug, 2023