我们介绍了一种新颖的基于神经隐式表示法的多帧结构光设置深度估计技术。通过自我监督的可微分渲染训练神经符号距离场（SDF）。与被动视觉不同，我们利用结构光系统中通过投影模式已知的辐射场，实现几何场的独立优化，确保固定设备定位下的收敛性和网络有效性。为了提高几何保真度，我们在训练过程中引入了基于物体表面的额外颜色损失。实际实验表明，我们的方法在少样本情景下在几何性能上具有优越性，并且在增加模式可用性的情况下实现了可比较的结果。

May, 2024

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

本文提出了一种新的神经重建方法，使用可访问的 2D 图像作为监督来进行 3D 场景重建，其中通过引入二进制带注符号距离函数、色彩场和概率场等方法实现了场景的重建，并引入了几何和平面约束以实现对场景复杂几何区域和低纹理区域的重建。

Jun, 2023

基于神经隐式表面表示的 3D 重建框架 NC-SDF，通过视角缺陷的学习和修正，提高了重建的全局一致性和局部细节，并通过信息丰富的像素采样策略和混合几何建模方法进一步改善了重建质量。

May, 2024

本文提出 NeuralUDF 方法，通过体绘制从 2D 图像重建任意拓扑表面，使用无符号距离函数表示表面，成功实现复杂形态的非封闭形状高质量重建。

Nov, 2022

提出了一种新的双分支结构 GSDF，它将 3D 高斯喷洒（3DGS）表示法的灵活和高效与神经符号距离场（SDF）相结合，通过相互指导和联合监督来缓解它们的局限性，并在各种场景上展示了我们的设计能够更准确、更详细地重建表面，并同时使 3DGS 渲染受益于与底层几何更加一致的结构。

Mar, 2024

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

该研究提出了一种名为 Sur2f 的新的混合表示方法，采用隐式有符号距离场和显式替代表面 Sur2f 网格的并行流，通过共享的神经渲染器实现了隐式有符号距离函数的体积渲染和替代网格的表面渲染的一体化，同时在替代网格的形变中使用从隐式有符号距离场导出的函数进行同步，从而提高了重建质量和效率。

Jan, 2024

我们提出了 GenS，一个端到端的通用神经表面重建模型，可以通过结合有符号距离函数（SDF）和可微体渲染，将多视图图像无需 3D 监督进行表面重建。与现有解决方案相比，我们的表示更强大，能够恢复高频细节并同时保持全局平滑性。同时，我们引入多尺度特征度量一致性，以在更具区分性的多尺度特征空间中施加多视图一致性，从而抵抗光度一致性的失效。我们还设计了一种视角对比损失，通过将密集输入中的几何先验精炼到稀疏输入中，强制模型对少视角覆盖的区域具有鲁棒性。在流行的基准测试上进行的大量实验证明，我们的模型能够很好地推广到新场景，并且胜过现有的最先进方法，即使那些使用地面真实深度监督的方法。

Jun, 2024

该论文提出了一种名为 SDF-SRN 的方法，通过 2D 轮廓学习无需多视图注释的隐式三维形状表示，实现了单视图训练，并在合成和真实世界数据集上优于当前技术水平的基于单视图监督的方法。

Oct, 2020