通过引入一种新的神经梯度函数学习范式，我们提出了一种从点云中直接估计定向法线的新方法，它能够更准确地学习未定向和定向法线估计任务。

Nov, 2023

该论文提出了一种神经网络 AdaFit，用于在含有噪声和密度变化的点云上进行强健的法线估计，并通过实验证明其能够在合成数据集和真实场景数据集上实现最好的性能。

Aug, 2021

本研究提出了一种新的深度场景表示方法 —— 神经反射场，该方法使用全连接的神经网络编码场景中任意 3D 点的体密度、法线和反射属性，并将其与可微分的物理模型相结合，从而能在任意视点和光照条件下渲染图像，实现高质量的视角合成和照明重建。

Aug, 2020

本文提出了一种基于神经径向基方法的生成神经体模型，通过学习未标记的单目视频，在不需要地面真实标签的情况下，共同完善的姿势和体积身体形状和外观，有效改善了多样化数据集上的准确性，是对使用反向运动学的引入的一个重要贡献。

Feb, 2021

通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

May, 2024

我们提出了一种新的通用方法，用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型，我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤，而不需要任何显式形状监督。

Apr, 2021

通过 NeRFactor 方法，通过多视图图像恢复物体的形状和空间变化的反射率，从而实现在任意环境光照下呈现物体的新视图和编辑物体材料属性。

Jun, 2021

研究重建物体的三维特征曲线的问题，引入神经边缘场来学习三维边缘的密度分布，在没有三维几何操作或交叉视图边缘对应的监督下，借助基于视图渲染的可微优化处理，从视图提取地面真值边缘图与渲染边缘图进行比较以进行优化，最后通过迭代优化法从神经边缘场中提取参数三维曲线，实验结果表明，在基准测试中，该模型在所有指标上均优于现有的最先进方法。

Mar, 2023

MVG-NeRF 组合了传统的多视角几何算法和神经辐射场 (NeRF) 用于基于图像的三维重建。我们提出使用像素级深度和法线来引导 NeRF 优化，以提高所估计表面的质量。实验结果表明，该方法可以从图像中获取干净的三维网格，同时在新视角合成方面具有竞争力的表现。

Oct, 2022

我们提出了神经梯度学习（NGL），一种用于从三维点云中学习具有一致方向的梯度向量的深度学习方法，具有出色的梯度近似性能。我们利用简单的神经网络对目标函数进行参数化，使用全局隐式表示在点上产生梯度；然而，由于缺乏局部详细描述，导致得到的梯度通常与真实的定向法线相差很大。因此，我们引入了基于局部平面几何的梯度向量优化（GVO），以学习角距离场以细化粗糙的梯度向量。最后，我们用粗糙估计后的细化进行我们的方法的二阶段流程。此外，我们将两个加权函数（各向异性核和内点得分）整合到优化中，以提高鲁棒性和保持细节的性能。我们的方法在全局梯度近似性能高效且同时具有更好的局部特征描述的准确性和泛化能力，因此成为具有抗噪声、异常值和点密度变化能力的最先进的法线估计器。广泛的评估结果表明，我们的方法在常用基准测试中无定向和定向法线估计方面优于之前的工作。源代码和预训练模型可以在此 https URL 获取。

Sep, 2023