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

本研究通过采用室内场景中表现出来的结构规律，采用两个额外的自我监督信号进行自我监督培训：1) 曼哈顿法线约束，2) 共面约束，来训练更好的深度网络。

Aug, 2021

MG-SLAM 是一种基于曼哈顿世界假设的 RGB-D 系统，通过提高几何精度和完整性以实现在复杂室内环境中的稳健跟踪和场景完整性，从而使得高斯 SLAM 系统取得了最新的性能突破。

May, 2024

该论文提出了一种从单个图像中获取紧凑且精确的 3D 线框表示的方法，通过有效地利用全局结构规律，该方法训练卷积神经网络以同时检测显著的交叉点和直线，并预测它们的 3D 深度和消失点，并通过平行结构先验进一步重构完整的 3D 线框模型。

May, 2019

该研究提出了一种基于分离正交平面、软翻转融合策略、特征组装机制和三重注意力的室内布局估计方法，通过实验表明其在四个基准测试中具有优越性能。

Mar, 2023

我们提出了一种新颖的神经隐式建模方法，利用多种正则化策略在仅依赖图像的情况下实现大型室内环境的更好重建，通过稀疏但准确的深度先验将场景锚定到初始模型，并引入一种密集但精度较低的深度先验，灵活性足以让模型从中分离出来改善估计的几何建模，并提出了一种新颖的自监督策略来规范估计的表面法线，最后，可学习的曝光补偿方案适应复杂的光照条件。实验结果表明，我们的方法在具有挑战性的室内场景中产生了最先进的 3D 重建结果。

Sep, 2023

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

本文提出了一种基于数据驱动的方法解释室内场景，并利用 CAD 3D 模型表示场景中的物体和墙壁布局，最终在 NYU 数据集上呈现了令人鼓舞的结果。

Apr, 2015

本文提出一种在未知相机姿态下采用多视图重建室内场景中平面表面的方法，并且通过实验表明该方法在来自 Matterport3D 挑战性场景的稀疏视图的重建方面能够推进现有技术的发展。

Mar, 2021

本研究提出了一种使用深度神经网络 (DNN) 从单个 RGB 图像重建分段平面深度图的方法，该方法可以直接从单个 RGB 图像学习一组平面参数和相应的分割掩码，并且在评估中表现出比基准方法更好的平面分割和深度估计精度。该方法是第一个可以从单个 RGB 图像进行分段平面重建的端到端神经网络结构。

Apr, 2018