NeuSurf：基于表面先验的稀疏输入视图下的神经表面重建
该研究通过统一的方式制定了表面和体渲染，从而使得无需任何输入蒙版即可实现准确表面重建，并通过实验证明其能够在各方面都优于 NeRF 方法并与 IDR 方法相媲美。
Apr, 2021
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
该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。
May, 2022
通过 monocular geometry prediction 预测的深度和法向量提示显着提高神经隐式表面重建的质量和优化时间，特别是在大规模复杂场景下，独立于表征的选择。
Jun, 2022
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
本文提出了一种名为SC-NeuS的联合学习策略，该策略利用多视角约束从稀疏视图中恢复连续表面重建，并获得了比现有的神经表面重建方法更好的重建结果。
Jul, 2023
通过引入基于先验的残差学习范式以及哈希编码网络，提出了一种快速多视角神经表面重建方法，实验结果表明仅需约3分钟即可重建单个场景的表面，同时保持了竞争性的表面质量。
Dec, 2023
NoPose-NeuS是一种将NeuS扩展到联合优化相机姿势、几何和颜色网络的神经隐式表面重建方法，通过将相机姿势编码为多层感知器(MLP)并引入多视图特征一致性和渲染深度损失，约束学习到的几何来获得更好的相机姿势和场景表面估计。DTU数据集上的广泛实验表明，该方法能够估计相对准确的相机姿势，同时保持高质量的表面重建，平均Chamfer距离为0.89。
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
本研究解决了稀疏视角表面重建中的性能下降问题，提出了一种名为PVP-Recon的新方法，通过渐进规划下一最佳视角来优化图像捕捉过程。研究表明，PVP-Recon在仅用3个视角开始重建的情况下，结合新的变形得分，能够显著提高重建质量，超越现有基线方法。
Sep, 2024