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
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
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
本研究提出了一种新颖的NeuS-HSR表面重建框架，基于隐式神经渲染，通过对高度镜面反射的干扰的降低，与物理假设相结合的新颖辅助平面模块的设计，来实现对目标表面的精确重建，并在合成和实际数据集上进行广泛的实验来验证其性能。
Apr, 2023
本文提出了一种新方法，使用预积分渲染有效地学习可重构的神经表面，同时在神经隐式场内学习几何、材料和照明等物理属性，并在协作上进行优化，实现了在合成和真实数据集中超越现有技术的效果。
Jun, 2023
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
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
利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。
Dec, 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。
本研究针对现有表面重建方法需要进行对象掩膜标注的问题，提出了一种新的无掩膜神经隐式表面重建框架Hi-NeuS。该方法通过估计来自多视角的渲染权重分布，能够在无需掩膜的情况下精确恢复物体表面，并在DTU数据集上实现了表面噪声减少约20%和无掩膜Chamfer距离提高约30%的显著改进，展现了其在内容创作中的潜在影响。
Sep, 2024