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

通过结合多视角全景图像、鲁棒的相机位姿估计、先进的图像处理以及点云密度化、网格重建和纹理生成等技术，本论文提出了一个增强型的多视角立体重建框架，显著提高了传统方法的准确性和精度，在处理遮挡和视角变化的复杂场景重建方面表现出了优异的计算效率和鲁棒性，对于实时处理和可扩展性要求高的情况，可以与当前最先进的神经隐式场方法相竞争甚至超越。

Jun, 2024

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

本文提出了一种新型网络，利用少量稀疏图像输入，能够恢复三维场景几何信息和高分辨率彩色图像，并通过粗略到精细的球形追踪技术可以大幅提高速度，方法在多个数据集中都取得了可比较的精度。

Aug, 2021

使用预训练的 MVS 网络和 NISR 模型中的内在几何先验，在复杂的实际场景中实现高质量的神经隐式表面学习和精细重建，并提出可见性感知的几何一致性约束和基于外部几何先验的深度先验辅助采样，以及内部先验引导的重要渲染，以改进神经隐式表面重建的精确性和保真性。

Jan, 2024

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

提出 CER-MVS (Cascaded Epipolar RAFT Multiview Stereo) 方法，使用 RAF（Recurrent All-Pairs Field Transforms）架构，引入 epipolar cost volumes，cost volume cascading，multiview fusion of cost volumes，dynamic supervision 以及 multiresolution fusion of depth maps 等五种新方法以从多个校准图像中重建 3D 模型，具有较强性能。

May, 2022

NoPose-NeuS 是一种将 NeuS 扩展到联合优化相机姿势、几何和颜色网络的神经隐式表面重建方法，通过将相机姿势编码为多层感知器 (MLP) 并引入多视图特征一致性和渲染深度损失，约束学习到的几何来获得更好的相机姿势和场景表面估计。DTU 数据集上的广泛实验表明，该方法能够估计相对准确的相机姿势，同时保持高质量的表面重建，平均 Chamfer 距离为 0.89。

Dec, 2023

我们介绍了一个基于学习的深度图融合框架，它接受多视点立体匹配算法生成的深度和置信图集合作为输入并对其进行改进。这通过将编码不同视图之间的远程表面关系的体积可见性约束集成到端到端可训练的架构中来实现。同时，我们还引入了一个深度搜索窗口估计子网络与更大的融合子网络联合训练，以减少每条射线上的深度假设搜索空间。我们的方法通过直接从数据中学习建模深度一致性和可见性约束的违规，从而有效地消除了微调融合参数的必要性。在多视点立体匹配数据集上进行了大量实验证明，输出融合深度和置信图的准确性有了显著提升。

Aug, 2023

本文提出了一种新型架构来在数十秒内恢复极其详细的 3D 人脸，通过在多视图图像中拟合一个 3D 可塑模型，提取并聚合多个图像的特征，学习一种用于回归匹配成本的隐式函数。与先前的学习方法相比，在 FaceScape 数据集上准确性更高。

Jan, 2022