本文介绍了一种结合深度学习和变分方法的 ATGV-Net 技术，用于实现单个深度图超分辨率过程，并展示其在不同基准测试下的最新成果。

Jul, 2016

本文介绍了使用总变差最小化从欠采样噪声测量中准确和鲁棒地恢复图像的近乎最优保证，并证明了能够通过 O（slog（N））个非自适应线性测量对图像进行重建，最多可以达到其梯度最佳 s 项近似，这个对数因子可以通过取更多的测量来消除

Feb, 2012

该研究聚焦于开发一种用于解决欠定线性反问题的空间变异正则化模型。研究案例为从少视角层析噪声数据中重建医学图像。通过应用适当的像素相关权重，该优化模型的主要目标是在去噪和保留细节和边缘之间取得良好平衡，克服了广泛使用的总变差（TV）正则化方法的性能。提出的策略利用梯度逼近来计算空间变异 TV 权重。为此，设计了一个卷积神经网络，使用其训练中的弹性损失函数来逼近真值图像及其梯度。此外，本文对所提出的模型进行了理论分析，展示了其解的唯一性，并展示了针对特定问题的 Chambolle-Pock 算法。这一综合框架将创新的正则化技术与先进的神经网络能力相结合，展示出在从低采样层析数据中实现高质量重建方面的有 promising 结果。

Apr, 2024

本文提出的 VDIP-TGV 模型将总体广义变分正规化与 VDIP 相结合，通过 TGV 补充额外的梯度信息，有效地恢复图像边缘和细节。此模型通过交替方向乘法器方法（ADMM）求解，定量和定性实验证明了 VDIP-TGV 优于各种最先进的模型。

Oct, 2023

本文介绍了一种利用深度神经网络复制传统的 local depth maps calculation 和 global depth maps fusion 两步骤框架，以改善对 3D 场景重建精度和可解释性的计算机视觉任务方法。此外，作者还提出了一种称为 PosedConv 的旋转不变的 3D 卷积核，用于提高从非常不同视角获取的图像之间的匹配效率。作者在 ScanNet 数据集上进行了大量实验证明提出的方法在深度神经网络和传统计算机视觉技术中具有竞争力。

Aug, 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

本文提出了一种将焦点深度问题作为变分问题的方法，该方法包括一个平滑但非凸数据保真度项和一个凸并非平滑的正则化项，并采用线性化交替方向乘子法解决非凸优化问题，从而获得更逼真的深度图。通过对模拟和实际数据的数值比较，我们证明了该方法的高效性。

Aug, 2014

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

本文研究了多视角立体重建中的细节保持和内容感知不全变分（DCV）方法，该方法通过交替进行重投影误差最小化和网格去噪，利用图像滤波和图像配准建立了一种新的图像相似度度量，能够有效地保留表面的细节特征，同时提出了一种适应性估计方法，能够更好地抑制噪声并保持尖锐的特征。实验结果表明，DCV 方法能够比现有的方法更好地恢复更多的表面细节，并获得比现有技术更干净和更准确的重建。

May, 2015

本文提出了基于特征体积的实时密集重建方法，采用稀疏的深度特征体积来预测 TSDF 值，通过多视角图像聚合细节信息进行时序融合，实现了比以往更高分辨率和更完整细节的三维几何图形重建，其在室内和室外场景中都比现有的方法具有更好的实时重建性能。

May, 2023