使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

Nov, 2018

本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。

May, 2023

利用点引导机制实现精确和高效的多视图重建，通过优化神经投影模块和隐式表面表示，提高面向细节和光滑区域的高质量曲面重建，并且对噪声和稀疏数据具有很强的鲁棒性。

Oct, 2023

通过对无组织点云进行局部偏微分方程监督以及差分矢量场的基本属性，本文提出了一种具有鲁棒性、高质量的曲面重建方法，采用了隐式神经表示技术，并通过学习 $p$-Poisson 方程得到符号距离函数 (SDF)，从而隐式表示重建曲面。实验结果表明，所提方法在标准基准数据集上能提供更好的鲁棒性和重建效果。

Oct, 2023

通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

Apr, 2022

本文介绍一种利用神经网络编码局部上下文先验 (surface reconstruction from point clouds) 的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。

Apr, 2022

PoissonNet 是一种用于从点云中恢复三维形状的架构，通过利用 Fourier 神经算子 (FNOs) 来解决 Poisson 方程并从定向点云测量中重建网格，其具有效率高、重建质量较好、运行时间短以及分辨率灵活等优势，并通过数值结果的理论定理证明 Poisson 表面重建问题在极限情况下是明确的。

Aug, 2023

本文提出了 GradientSurf，这是一种从单目 RGB 视频中实时重建表面的新算法。该方法通过渐变域中的表面、体积和定向点云之间的紧密耦合解决重建问题，利用神经网络增量式地从部分扫描中在线找到 Poisson 层的解，以监督局部和全局重建。与离线求解 Poisson 方程的 Poisson Surface Reconstruction 不同，现有方法在从 RGB 信号重建时缺乏细节，本文通过在梯度域中对零阶和一阶能量进行最小化，解决了这个问题。在室内场景重建的任务中，视觉和定量实验结果表明，该方法在曲线区域重建的细节更多，对小物体的保真度更高。

Oct, 2023

本文提出了一种基于拓扑先验的表面重建方法，该方法利用基函数来优化点云拟合，并通过持久图捕获拓扑约束，以实现去除拓扑噪声和捕获底层形状的特定属性。作者展示了在多种可能的拓扑情况下的表面重建结果，并将其与其他传统表面构建技术进行了比较。

Nov, 2018

本文介绍了名为 NeuralRecon 的新型框架，可实时从单目视频中重建 3D 场景。该系统采用基于学习的 TSDF 融合模块，通过神经网络直接逐个重建局部表面，从而捕捉局部平滑性先验和全局形状先验，实现高精度，连贯和实时的表面重建。实验结果表明，该系统在准确性和速度方面均优于现有的方法。这是首个能够在实时情况下重建连贯稠密 3D 几何模型的基于学习的系统。

Apr, 2021