本文介绍了一种新颖的框架实施几何密集束调整（DBA），使用 3D 神经隐式表面进行地图参数化，通过密集光流预测引导的几何误差来优化地图表面和轨迹姿态，进一步改进了密集 * 映射的质量。我们在多个行驶场景数据集上的实验结果表明，我们的方法在轨迹优化和密集重建精度方面取得了优越的效果。我们还研究了光度误差和不同的神经几何先验对表面重建和新视角合成性能的影响。我们的方法是利用神经隐式表示在密集束调整中实现更准确的轨迹和详细环境映射的重要一步。

Apr, 2024

我们提出了一种新颖的三维重建框架 CBARF，通过级联更新相机姿态和使用邻近替换策略来优化姿态和合成新视角，实验结果表明 CBARF 在姿态优化和新视角合成方面取得了最先进的性能。

Oct, 2023

现有的立体视觉管道在使用多对或多个卫星图像时可以产生高精度的 3D 重建。然而，这些管道对于由于多日期收购而可能发生的图像变化敏感。为了考虑这些变化，最近将神经辐射场（NeRF）应用于多日期卫星图像。然而，神经方法非常计算密集，需要数十个小时进行学习，而标准立体视觉管道只需几分钟。根据即时神经图形基元的思路，我们提出使用高效的采样策略和多分辨率哈希编码来加速学习。我们的模型，卫星神经图形基元（SAT-NGP），将学习时间缩短到 15 分钟，同时保持了 3D 重建的质量。

Mar, 2024

本文提出了 Bundle-Adjusting Neural Radiance Fields (BARF) 用于训练 NeRF 从不完美（甚至未知）相机姿态学习神经 3D 表示，并展示了其在视图合成和定位视频序列方面的应用。

Apr, 2021

本文提出了一种名为 NPBG++ 的系统用于新视角合成任务，通过使用多视角观测和静态场景的点云预测每个点的神经描述符，从而在低场景拟合时间的情况下实现高渲染逼真度，且不需要每场景优化的要求，从而在多方面优于神经点图形管道。

Mar, 2022

PLGSLAM 是一种神经视觉 SLAM 系统，能够实时进行高保真度的场景重建和强健的相机追踪，在大规模室内场景下表现良好。

Dec, 2023

本研究提出了一种增强的神经隐式多视图重建模型 ——BundleRecon，该模型通过使用捆绑光线束的方式采样一组像素，从而充分利用邻近像素之间的信息，并设计基于光线束的约束以进一步提高重建质量。实验证明，该模型与现有的神经隐式多视图重建方法兼容，并且可以提高其重建质量。

May, 2023

BAD-Gaussians 是一种新的方法，利用显式高斯表示和处理照相机姿势不准确的重度运动模糊图像，实现高质量的场景重建，并通过显式优化控制点云的高斯球来实现实时渲染。

Mar, 2024

介绍了一种使用深度学习和先验领域知识相结合的网络架构来解决 structure-from-motion (SfM) 问题，通过 Bundle Adjustment (BA) 加入特性度量误差来明确地强制执行多视角几何约束，并且使用新的深度参数化来恢复密集的逐像素深度。实验证明了该方法的成功。

Jun, 2018

使用深度学习技术，提出了一种名为 GNR 的通用神经演员框架，通过压缩轻场数据来从几何和外观方面生成新颖的视角下的人体影像，并在多视角摄像机下构建的数据集 GeneBody-1.0 上证明了其鲁棒性和通用性。

Apr, 2022