该研究提出了一种新颖的神经表面重建方法NeuS，将表面表示为带符号距离函数的零水平集，并开发了一种新的体积渲染方法来训练神经SDF表示，自主进行高保真度的物体和场景三维重建。

Jun, 2021

该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

May, 2022

本文介绍了一种基于体素的表面重建方法Voxurf，它通过两步训练、双重颜色网络和层次几何特征等关键设计解决了体素网格在重建精细几何以及缺乏空间一致性方面存在的问题，相较于之前的全隐式方法，Voxurf在训练速度提高20倍的同时还能获得更高的重建质量。

Aug, 2022

提出了一种分析合成方法，用于快速多视角不透明物体的三维重建，通过将表面表示为三角形网格并围绕三角形光栅化和神经阴影构建可微分的渲染管道，优化三角形网格和神经着色器来重现多视图图像，并研究了着色器，发现它学习了可解释的外观表示。

Dec, 2022

提出了一种快速的神经表面重建方法，称为NeuS2，通过将多分辨率哈希编码集成到神经表面表示中，实现了两个数量级的加速，并通过CUDA实现了整个算法。该方法不仅提高了表面重建的准确性，还能有效地解决神经表面表示的训练时间长的问题，特别是在动态场景下。

Dec, 2022

本文研究利用可微分射线投射进行隐式表面重建。我们提出了一种高保真表面重建的柔性神经隐式表示方法NeuDA，利用分层体素网格维护分层锚点网格。此外，我们还深入探讨了位置编码策略，并引入了一种简单的分层位置编码方法，以灵活利用高频和低频几何与外观的特性。实验证明，NeuDA可以产生有前途的网格表面。

Mar, 2023

本文提出了一种新方法，使用预积分渲染有效地学习可重构的神经表面，同时在神经隐式场内学习几何、材料和照明等物理属性，并在协作上进行优化，实现了在合成和真实数据集中超越现有技术的效果。

Jun, 2023

该研究提出了一种新的方法，使用单个图像进行3D重建，生成了一个完整的360度3D纹理网格，改进于现有方法，具有更好的几何形状和一致性。

Jun, 2023

InstantMesh是一种从单个图像进行即时3D网格生成的前向框架，具有最先进的生成质量和可扩展的训练能力。通过发挥现有多视角扩散模型和基于LRM架构的稀疏视图重建模型的优势，InstantMesh能够在10秒内创建多样化的3D资源。通过将可微分的等值面提取模块集成到我们的框架中，并直接在网格表示上进行优化，以提高训练效率和利用更多几何监督，例如深度和法线。公共数据集上的实验结果表明，InstantMesh在定性和定量上明显优于其他最新的图像到3D基准。我们发布了InstantMesh的所有代码，权重和演示，希望它能为3D生成AI社区做出巨大贡献，并赋予研究人员和内容创作者更多的力量。

Apr, 2024

采用梯度插值而不是原始解析梯度来消除其间断性的基于体素的轻量级表面重建方法VoxNeuS在消除渐变不稳定性的同时，通过几何-辐射分离架构处理几何形变，以提高重建质量。

Jun, 2024