本文介绍了一种利用深度神经网络复制传统的 local depth maps calculation 和 global depth maps fusion 两步骤框架，以改善对 3D 场景重建精度和可解释性的计算机视觉任务方法。此外，作者还提出了一种称为 PosedConv 的旋转不变的 3D 卷积核，用于提高从非常不同视角获取的图像之间的匹配效率。作者在 ScanNet 数据集上进行了大量实验证明提出的方法在深度神经网络和传统计算机视觉技术中具有竞争力。

Aug, 2021

提出了一种端到端的三维重建方法，通过直接回归截断带符号距离函数（TSDF）从一组姿势 RGB 图像中实现。使用 2D CNN 独立地提取每个图像的特征，然后通过相机内参和外参进行反投影和累积到体素体积中。此外，通过该方法获取到了三维模型的语义分割。该方法在 Scannet 数据集上得到了评估，既在量化指标上，也在视觉效果上都超过了国际领先的基准结果。

Mar, 2020

本文介绍了名为 NeuralRecon 的新型框架，可实时从单目视频中重建 3D 场景。该系统采用基于学习的 TSDF 融合模块，通过神经网络直接逐个重建局部表面，从而捕捉局部平滑性先验和全局形状先验，实现高精度，连贯和实时的表面重建。实验结果表明，该系统在准确性和速度方面均优于现有的方法。这是首个能够在实时情况下重建连贯稠密 3D 几何模型的基于学习的系统。

Apr, 2021

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

本研究提出了一种基于深度学习的方法来进行深度融合，可以更好的处理深度图像数据中的噪声和异常值，并能够完整地重建三维物体形态，并且能够填补穴洞，具有更好的性能表现。

Apr, 2017

通过多视角深度估计方法实现了精确简易的三维重建，在 ScanNet 和 7-Scenes 等数据集上的效果已经超过目前最先进的深度估计算法。

Aug, 2022

提出了一种使用 Transformer 架构学习隐式多视图一致场景表示并引入一系列 3D 数据增强技术的方法来增加视角多样性的深度估计网络，同时介绍了引入视角合成作为辅助任务，该网络在不使用显式几何约束的情况下在立体和视频深度估计方面取得了最先进的结果， 并在零样本领域泛化方面有了显著的提高。

Jul, 2022

我们提出了一种新的测试时间优化方法，可以将仿射不变深度模型的健壮性转移到具有挑战性的多样化场景，同时确保帧间一致性，每个视频帧只需优化几十个参数。实验证明，我们的方法在五个零样本测试数据集上实现了最先进的跨数据集重建。

Aug, 2023

通过体积渲染和专注深度融合先验进行多视角 RGBD 图像学习神经隐式表示，以准确进行 3D 重建。该方法利用截断有符号距离函数（TSDF）从所有可用的深度图像融合并感知粗糙三维结构，解决了通过体积渲染进行几何推断的不完整深度和被遮挡结构的问题。通过引入注意机制，直接将深度融合先验与学习到的占用情况作为神经隐式函数，该机制可以用于整个场景或同时定位和映射（SLAM）背景下的部分场景。在合成和真实世界的广泛基准测试中，该方法超越了最新的神经隐式方法。

Oct, 2023

本文提出了一种新颖的在线深度图融合方法，该方法使用潜在特征空间学习深度图聚合，并通过附加的翻译器网络在场景表示和输出场景表示之间分离，该方法适用于处理高噪声等异常值，实验结果表明，与现有技术相比，在处理大量噪声和异常值的挑战性场景中获得了改进。

Nov, 2020