该篇论文介绍了一种通过多视角卫星图像获取完整三维表面网格的方法，并通过优化表面与梯度下降算法对数字高程模型进行完善，同时展示了该方法通过卫星数据可用于立面结构等的三维几何重建。

May, 2020

本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

May, 2019

使用照相机与软件进行拍摄与处理，采用 3D 扫描仪进行加速，生成真实物体的准确虚拟模型与网格模型，并在项目网站上提供所有生成的模型和图像。

Feb, 2024

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

在城市环境中，使用航空和地面图像相结合的方法提高了地表重建的效率。为了解决来自视角和光照条件的巨大差异导致的特征点匹配困难的问题，本文提出了一种新方法，利用摄影测量网格模型进行相机标定和图像匹配，这种方法具有线性时间复杂度，可以解决多个问题，从而得到更为准确完整的模型。

Feb, 2020

本文提出一种通过使用有符号距离场获取和使用平面表面信息的新算法，有效地解决了在线重建中嘈杂不完整的问题，并使用平面拟合实现了意义上的语义分割。

Sep, 2016

通过利用内在分解指导、瞬态 - 单模先验指导和视图增强来解决光照不一致、几何不对齐和视图稀疏等问题，我们提出了一种新的 3D 重构框架，该框架能够将多视图图像生成与神经网络基于体积有符号距离函数的单一图像到 3D 对象重建相结合。在各种数据集上评估我们的方法，并在定量和定性评估中展示了其卓越性能，从而在 3D 物体重建方面取得了显著的进展。与最新的最先进方法 Syncdreamer 相比，我们将 Chamfer 距离误差降低了约 36％，将 PSNR 提高了约 30％。

Jan, 2024

本文通过重新审视三维网格的经典多视图表示方法，研究了几种技术，使其可用于三维语义网格的语义分割。给定一个从 RGBD 传感器重建的三维网格，本文方法有效地选取不同的虚拟视图，并渲染多个二维通道，以训练出有效的二维语义分割模型；最终将多视讯预测的特征融合到三维网格顶点上，预测网格语义分割标签。

Jul, 2020

本文提出了一种基于机器学习的方法，通过数字表面模型和全色影像的输入，使用条件生成对抗网络筛选出非建筑物，然后借助于语义分割网络检测出建筑物屋顶的边缘和角点，并提出一组矢量化算法来构建屋顶多边形，最终从改进后的表面模型中添加高度信息，以获得完全矢量化的精细建筑模型。在大型卫星图像上对我们的方法进行了验证，并取得了最先进的性能。

Apr, 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