本文提出了一种超级快速的深度到法向量转换器 (D2NT)，一个自适应梯度卷积核的不连续性感知梯度 (DAG) 滤波器以及一个能够集成到任何深度到法向量 SNE 中的表面法向量细化模块，该算法在效率和准确性之间实现了最佳权衡。

Apr, 2023

本文介绍了一种能够从深度图像中准确高效地推断表面法线信息的新型模块，以及一个能够同时提取并融合 RGB 图像和推理表面法线信息的数据融合卷积神经网络（CNN），并使用一个全新的数据集，该数据集包含在不同照明和天气条件下收集的大规模合成自由空间检测数据，证明了我们提出的算法能够在不同的数据集中取得最佳的性能表现。

Aug, 2020

提出了一种新的单幅图像深度估计方法，使用自适应表面法线约束，可以有效地将深度估计与几何一致性相关联，从而重建出准确的 3D 几何形状，其稳健性强，并在公共数据集上优于现有技术。

Mar, 2021

本文介绍了一种基于三种滤波器的表面法线估计方法，适用于结构化的深度图像。作者使用三个大型的合成数据集以及比较其他基于几何的表面法线估计方法，证明了该方法的优越性，并提供了公共数据集和源代码。

May, 2020

该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

Apr, 2019

本研究介绍了一种名为 3F2N + 的新方法，它通过引入一个新的不连续性判别模块（DDM），结合深度曲率最小化和相关系数最大化以及条件随机场，将不连续性判别能力引入表面法线估计器。实验结果表明，3F2N + 在各种数据集上实现了优于其他基于几何的表面法线估计器的性能。此外，本研究还展示了将 3F2N + 应用于机器人感知任务中的有效性。

Dec, 2023

SuperNormal 是一种快速、高保真度的多视图 3D 重建方法，利用表面法线图生成详细表面，通过多分辨率哈希编码和基于路径的射线行进来优化神经有符号距离函数 (SDF) 的体积渲染，相较于现有的多视图光度立体重建方法，在效率和准确性上表现卓越。

Dec, 2023

许多表面重建方法包括法线积分，即从表面梯度获取深度图的过程。为了从导入的法线图中重建准确的深度图，必须处理由跳跃引起的隐藏表面梯度。为了正确建模这些跳跃，我们为法线积分的域设计了一种新的离散化方案。我们的核心思想是引入辅助边，在域中连接分块平滑的路径，以明确表示隐藏跳跃的大小。利用辅助边，我们设计了一种新的算法来优化输入法线图中的不连续性和深度图。我们的方法通过使用迭代加权最小二乘和辅助边上跳跃值的迭代滤波的组合来优化不连续性，从而提供强的稀疏正则化。与先前的保持不连续性的法线积分方法相比，我们的方法通过明确表示跳跃，允许强的稀疏正则化，从而准确地重建微小的不连续性。

Apr, 2024

我们提出了一种新颖的方法，用于从多个图像中进行 3D 物体表面重建，其中只捕获了物体的一部分。我们的方法基于两个最新发展：使用神经辐射场进行表面重建，用于重建表面的可见部分，以及使用预训练的 2D 扩散模型的指导（SDS）完成未观察到的区域的形状。我们引入了三个组件：首先，建议使用法线图作为 SDS 的纯几何表示，而不是与外观信息交织在一起的颜色渲染。其次，我们在训练过程中使 SDS 噪声保持固定，这会导致更一致的梯度和更好的收敛性。第三，我们提出了多视角 SDS 作为一种在不对底层 2D 稳定扩散模型进行微调或更改的情况下对非可观察部分的生成进行条件化的方法。我们在 BlendedMVS 数据集上对我们的方法进行评估，结果显示相比竞争方法，我们取得了显著的定量和定性改进。

Dec, 2023

应用可微辐射场重建图像中的细节、平衡渲染和几何重建两个目标以生成准确而详细的三维表面。

Jun, 2024