SparseNeuS 是一种基于神经渲染的表面重建方法，采用有符号距离函数（SDF）作为表面表示，通过几何编码体引入图像特征的通用先验知识进行预测，在利用稀疏视图进行高质量重建时采用了多级几何推理框架、多尺度颜色融合方案和一致性感知微调。实验证明了该方法在速度、泛化性能和灵活性方面均表现出优越性。

Jun, 2022

利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。

Dec, 2023

使用预训练的 MVS 网络和 NISR 模型中的内在几何先验，在复杂的实际场景中实现高质量的神经隐式表面学习和精细重建，并提出可见性感知的几何一致性约束和基于外部几何先验的深度先验辅助采样，以及内部先验引导的重要渲染，以改进神经隐式表面重建的精确性和保真性。

Jan, 2024

该研究提出了一种新颖的神经表面重建方法 NeuS，将表面表示为带符号距离函数的零水平集，并开发了一种新的体积渲染方法来训练神经 SDF 表示，自主进行高保真度的物体和场景三维重建。

Jun, 2021

在高保真度 3D 场景重建方面，神经场的最新进展已经有了实质性的提升。然而，大多数现有方法为每个独立场景训练单独的神经网络，这不可扩展、低效且对有限视角下的结果不理想。本研究引入了训练可推广的神经场，将场景先验结合其中，从而更好地解决上述问题，并支持单张图像的新视角合成。

Sep, 2023

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

通过基于高斯的法线表示，本文提出了一种监督的方式来学习反射场景中几何形状的细节，通过极化先验引导几何学习，并通过优化过程中的重新权重策略来减轻极化先验的噪声问题，实验证明本文的方法在反射场景的神经三维重建中表现出色。

Mar, 2024

我们提出了 GenS，一个端到端的通用神经表面重建模型，可以通过结合有符号距离函数（SDF）和可微体渲染，将多视图图像无需 3D 监督进行表面重建。与现有解决方案相比，我们的表示更强大，能够恢复高频细节并同时保持全局平滑性。同时，我们引入多尺度特征度量一致性，以在更具区分性的多尺度特征空间中施加多视图一致性，从而抵抗光度一致性的失效。我们还设计了一种视角对比损失，通过将密集输入中的几何先验精炼到稀疏输入中，强制模型对少视角覆盖的区域具有鲁棒性。在流行的基准测试上进行的大量实验证明，我们的模型能够很好地推广到新场景，并且胜过现有的最先进方法，即使那些使用地面真实深度监督的方法。

Jun, 2024

提出了一种快速的神经表面重建方法，称为 NeuS2，通过将多分辨率哈希编码集成到神经表面表示中，实现了两个数量级的加速，并通过 CUDA 实现了整个算法。该方法不仅提高了表面重建的准确性，还能有效地解决神经表面表示的训练时间长的问题，特别是在动态场景下。

Dec, 2022

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