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

本文提出了一种基于本地纹理估计器和隐式神经表示的图像变形方法，该方法通过局部纹理和坐标变换的局部可变雅各比矩阵来预测变形图像的傅里叶响应，同时也成功实现了对不同变换的泛化处理。

Jul, 2022

提出了一种新颖的方法，通过将 T2I 生成模型与单目深度估计相结合的生成扭曲框架，使 T2I 模型能够学习何时扭曲和何时生成，从而解决了从单张图像合成新视角时存在的限制，并在领域内外的场景中优于现有方法。

May, 2024

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

通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

Jun, 2024

通过两阶段训练过程、解耦视角相关与视角无关颜色、借助两个新的一致性约束来提高详细重建性能，同时引入关键的掩码方案以自适应地影响监督约束的选择，从而改善自我监督范式下的性能，在合成和真实世界数据集上的实验证明了降低先验估计错误干扰和实现高质量场景重建的能力，并保留了丰富的几何细节。

Sep, 2023

提出了一种使用卷积神经网络直接对多个图像块进行匹配的方法，从而在计算机视觉中估算场景的深度图。实验表明，与基于成对块相似性的方法相比，该方法具有更好的效果。

Mar, 2017

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

我们提出利用基于坐标的神经网络来表示面部图像的变形和融合。通过结合经典方法中的能量函数，我们利用这些网络的平滑性和灵活性进行训练，同时允许连续的面部变形和融合。实验结果表明，我们的方法在面部变形检测方法方面与传统方法和基于数据的神经技术相竞争，并在审美上呈现出文献中尚不常见的多样面孔的无缝融合。

Aug, 2023

通过 monocular geometry prediction 预测的深度和法向量提示显着提高神经隐式表面重建的质量和优化时间，特别是在大规模复杂场景下，独立于表征的选择。

Jun, 2022