本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架，使用有符号距离场和表面光场直接表示场景几何及外观，并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性，实验结果表明相较于现有最优方法，本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。

Aug, 2021

提出了一种新的双分支结构 GSDF，它将 3D 高斯喷洒（3DGS）表示法的灵活和高效与神经符号距离场（SDF）相结合，通过相互指导和联合监督来缓解它们的局限性，并在各种场景上展示了我们的设计能够更准确、更详细地重建表面，并同时使 3DGS 渲染受益于与底层几何更加一致的结构。

Mar, 2024

基于神经隐式表面表示的 3D 重建框架 NC-SDF，通过视角缺陷的学习和修正，提高了重建的全局一致性和局部细节，并通过信息丰富的像素采样策略和混合几何建模方法进一步改善了重建质量。

May, 2024

本文提出了一种新的神经重建方法，使用可访问的 2D 图像作为监督来进行 3D 场景重建，其中通过引入二进制带注符号距离函数、色彩场和概率场等方法实现了场景的重建，并引入了几何和平面约束以实现对场景复杂几何区域和低纹理区域的重建。

Jun, 2023

我们提出了一种新颖的方法，用于从多个图像中进行 3D 物体表面重建，其中只捕获了物体的一部分。我们的方法基于两个最新发展：使用神经辐射场进行表面重建，用于重建表面的可见部分，以及使用预训练的 2D 扩散模型的指导（SDS）完成未观察到的区域的形状。我们引入了三个组件：首先，建议使用法线图作为 SDS 的纯几何表示，而不是与外观信息交织在一起的颜色渲染。其次，我们在训练过程中使 SDS 噪声保持固定，这会导致更一致的梯度和更好的收敛性。第三，我们提出了多视角 SDS 作为一种在不对底层 2D 稳定扩散模型进行微调或更改的情况下对非可观察部分的生成进行条件化的方法。我们在 BlendedMVS 数据集上对我们的方法进行评估，结果显示相比竞争方法，我们取得了显著的定量和定性改进。

Dec, 2023

通过体积渲染和专注深度融合先验进行多视角 RGBD 图像学习神经隐式表示，以准确进行 3D 重建。该方法利用截断有符号距离函数（TSDF）从所有可用的深度图像融合并感知粗糙三维结构，解决了通过体积渲染进行几何推断的不完整深度和被遮挡结构的问题。通过引入注意机制，直接将深度融合先验与学习到的占用情况作为神经隐式函数，该机制可以用于整个场景或同时定位和映射（SLAM）背景下的部分场景。在合成和真实世界的广泛基准测试中，该方法超越了最新的神经隐式方法。

Oct, 2023

本文提出了一种基于神经网络的方法，可以直接从单个稀疏点云中推断有符号距离函数（SDF），构建了表面参数化和 SDF 推断的端到端方法，通过利用参数化表面作为粗略表面采样器，以统计方式推断 SDF，并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。

Mar, 2023

本文提出 NeuralUDF 方法，通过体绘制从 2D 图像重建任意拓扑表面，使用无符号距离函数表示表面，成功实现复杂形态的非封闭形状高质量重建。

Nov, 2022

本文介绍了一种新的神经渲染框架，名为 nEudf，它可以仅通过多视图监督来重建具有任意拓扑结构的表面；多次实验结果表明，相对于已有的多视图表面重建方法，nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。

Apr, 2023

我们提出了一种简单的算法，用于可微性渲染被有符号距离场（SDF）表示的表面，从而使渲染能够容易地融入基于梯度的优化流程中，并通过容忍非零偏差以换取低方差和架构简化的方式来解决与可见性相关的导数问题。我们的方法将边界积分扩展为一个窄带，这在基于 SDF 表示下的表面上采样起来很容易。我们在端到端逆向渲染任务中展示了我们方法的性能和稳健性，并获得与现有工作相竞争或优越的结果。

May, 2024