本文提出一种基于低维流形模型和图拉普拉斯正则化器的3D点云去噪方法，通过近似离散观测的流形维度计算，并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构，并取得了比当前最先进方法更好的性能和更好的结构特征保持。

Mar, 2018

本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在Earth Mover's Distance（EMD）和Chamfer Distance（CD）等方面表现优异，优于现有方法。

Nov, 2019

本文提出了一种从点云中重建三角网格的方法，利用2D Delaunay三角剖分来构造曲面元素，同步局部2D投影的重建，从而实现了比现有方法更好的曲面重建效果。

Dec, 2020

本文提出了一个基于可微分的Poisson曲面重建形式的可微分点到网格层，实现与另外两种不同类型表达（点和网格）之间的连接，达到更好的3D 重建效果, 比基于神经暗示表达的方法更精炼且推理时间加速了一个数量级。

Jun, 2021

提出了一种使用四面体网格表示体积的映射方法，使用对称性的 ARAP 能量来实现形状的匹配，并最小化畸变能量以提高匹配精度。

Feb, 2022

本文提出使用深度神经网络（DNNs）进行具有较低近似误差的点云法向量估计，其中采用了Z方向变换和误差建模作为基本设计原则，并将其与现有最先进的法向量估计方法集成。

Mar, 2023

本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。

Jun, 2023

我们提出了一种新颖的方法，可以从图像中学习深度和表面法线等几何特征，同时结合几何背景。通过动态确定可靠的局部几何特征并评估其几何背景的有效性，我们建立了一个表面法线约束，从而实现了准确捕捉图像的3D几何信息。通过几何背景的整合，我们的方法在室内外多样化数据集上进行了广泛的评估和比较，证明了其高效性和稳健性。

Feb, 2024

我们提出了一种新颖的基于点的表示方法，高斯surfels，通过直接将3D高斯点的z缩放设置为0，将原始的3D椭球形状变为2D椭圆，进而提供了对优化过程的明确指导，从而在优化稳定性和表面对齐方面取得了显著的改进。我们还设计了一个自监督的法线深度一致性损失，以解决由于该设置使得从协方差矩阵计算得到的法线方向导数为零的问题。通过引入单目法线和前景蒙版，我们提高了重建质量，并缓解了与高光和背景相关的问题。此外，我们提出了一种用于聚合高斯surfels信息以去除通过alpha混合生成的深度图中的错误点的容积切割方法。最后，我们应用屏蔽泊松重建方法提取了表面网格。实验证明，与最先进的神经体积渲染和基于点的渲染方法相比，我们的方法在表面重建方面表现出卓越的性能。

Apr, 2024

本研究针对从法线重建表面的问题，提出了一种自适应表面三角化方法，该方法首先在图像域中构建三角形网格，然后在该网格上进行法线积分。通过计算表面曲率以识别平面区域，结果表明相比于像素网格，我们的方法在顶点数量上显著减少，且处理64 MP法线图的时间从数小时缩短至分钟，展现出显著的运行效率。

Sep, 2024