GO-Surf 是一种直接的特征网格优化方法，可以从 RGB-D 序列快速准确地重建表面，采用学习的分层特征体素网格对场景建模，以直接优化特征向量并渲染出表面体积，加入 SDF 梯度正则化项以鼓励表面平滑填孔和保持高频细节。其能够在 15 至 45 分钟内优化 1000 至 2000 帧，是现有方法的 60 倍。

Jun, 2022

介绍了一种新的基于动态网格优化的高清晰度 3D 表面重建方法，其中包含 RGB 和深度观测，该方法能够在维持计算效率的同时，在合成和真实数据上生成细节丰富的高质量 3D 重建。

Apr, 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

实现从单目 RGB-D 视频中对可变形物体进行高保真度的 360° 表面重建的 Neural rendering 技术的研究。

Dec, 2023

利用数据驱动的方法进行三维重建非常困难，本文通过引入新的半监督策略，成功建立了一个拥有 400 个场景、超过 390,000 个 RGB-D 帧和 5,533 个面对面对齐帧对的数据集，然后利用这个数据集，提出了一个能够应对非常大的非刚性形变的深度学习方法，对比于其他方法，我们的结果优于现有的方法。

Dec, 2019

该研究论文提出了一种基于截断有符号距离函数的 NeRF 框架的 3D 重建方法，结合 RGB-D 传感器和相机细化技术，得到高质量的空间重建结果。

Apr, 2021

本文探讨了在没有对应关系的情况下，如何从 3D 点云序列中重构出时间连贯的表面。为了解决这个具有挑战性的任务，我们提出了 DynoSurf，这是一个融合可学习变形场和模板表面表示的无监督学习框架。具体而言，我们设计了一种基于可变形四面体表示的粗到细的学习模板表面的策略。此外，我们提出了一种基于可学习控制点和混合权重的可变形表示，可以在保持局部形状一致性的同时非刚性地变形模板表面。实验结果表明，DynoSurf 相对于当前最先进的方法具有显著的优势，展示了其作为动态网格重构强大工具的潜力。该代码可以公开获取于此链接。

Mar, 2024

我们提出了一种基于 surfel-based geometry 的密集 SLAM 系统，该系统可以实时重建非刚性变形场景，不需要模板或先前的模型。

Apr, 2019

通过使用新型的基于神经场的方法 EndoSurf，本文针对 3D 场景的无效表示问题，从 RGBD 序列中学习有效地表示变形表面的形状和纹理，实现了重建立体内软组织的高保真度，且在公共内窥镜数据集上明显优于现有解决方案。

Jul, 2023

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