本文提出了一种基于深度学习的新方法，实现从单张RGB图像中重建出具有几十万个点的密集点云，包括RGB纹理，并在多个类别上进行训练以实现对未见类别的优越泛化性能。

Dec, 2019

利用三维表面几何约束以及反射对称性，从单个二维图像中恢复三维网格，相对于现有的2D和2.5D数据的三维重建方法，实现了更好的细节保留和性能表现。

Dec, 2019

这篇论文介绍了U-RED，这是一个无监督的形状检索和变形方法，能够根据输入的对象观察图像或扫描数据，从预先建立的数据库中检索和变形几何相似的CAD模型以达到紧密匹配的效果。

Aug, 2023

通过Uni3D，我们提出了一种可扩展的3D对象和场景表示方法，利用2D模型作为初始化，并通过图像-文本对齐模型作为目标，解锁了2D模型和扩展策略在3D世界中的潜力，并在许多3D任务中取得了新的成绩，如零样本分类、少样本分类、开放世界理解和部分分割，并展示了Uni3D在野外环境中进行的3D绘画和检索等应用。我们相信，Uni3D为探索3D领域的表示扩展和效率提供了新的方向。

Oct, 2023

提出了UniSDF，一个可以重建具有反射表面的大规模复杂场景的通用3D重建方法。通过在3D空间中明确混合视图和反射颜色预测参数化技术，使得重建的表面在几何上更准确，特别是对于反射表面。通过与多分辨率网格主干结合，该方法以粗糙到精细的方式进行训练，实现比以前的方法更快的重建速度。大量实验表明，该方法能够稳健地重建具有精细细节和反射表面的复杂大规模场景。

Dec, 2023

从有颜色的点云中重建纹理网格是三维图形和视觉中一个重要且具有挑战性的任务。本文提出了一种新型的框架 PointDreamer，通过二维图像修复来提高纹理网格的保真度和清晰度，实现了从有颜色的点云中重建纹理网格的目标。

Jun, 2024

本研究提出了一种名为Splatt3R的方法，针对从非校准的立体图像对中进行3D重建与新视角合成的挑战，消除了对相机参数和深度信息的依赖。该方法通过优化3D点云几何损失并引入新视角合成目标，从而避免了训练3D高斯喷溅时的局部最小值问题，这一创新显著提高了在自然图像中的泛化能力和性能。研究表明，Splatt3R可以以512 x 512分辨率以4FPS的速度重建场景，并实现实时渲染。

Aug, 2024

本文提出了Splatt3R，一种无姿态、前馈的方法用于野外3D重建和新视角合成，解决了从未校准自然图像中直接预测3D高斯喷溅的问题。该方法在MASt3R的基础上进行扩展，能够同时处理3D结构和外观，相比传统方法，避免了训练3D高斯喷溅时的局部最小值。实验结果表明，Splatt3R在未校准图像上的泛化性能优异，且可实现实时渲染。

Aug, 2024

本研究针对现有3D高斯模型在不同视图间存在的不一致问题，提出了UniG模型。该模型采用DETR框架，通过多视图交叉注意力方法，实现了基于稀疏图像生成高保真3D高斯表示，从而实现了更一致的3D重建。实验表明，UniG相较于现有方法在重建性能上有显著提升，改善了4.2 dB的PSNR。

Oct, 2024

本研究解决了从单摄像头RGB视频进行在线3D重建的问题，提出了一种新的点云表示方式。通过射线基础的2D-3D特征匹配技术，实时更新点云和深度预测，使其在保持高质量的同时，避免了以前点预测错误的影响。实验结果表明，该方法在在线多视图立体（MVS）任务上达到了最先进的性能。

Oct, 2024