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

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

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

稀疏视图输入中重建表面的挑战一直存在着，本文提出了一种名为 EpiS 的新方法，它将对极线信息纳入重建过程，聚合了来自多个源视图的线级信息，生成精细的信号距离函数 (SDF) 感知特征，并通过注意力机制实现了特征融合。此外，本文还采用全局和局部正则化技术，整合了从单目深度估计中得到的深度信息，用于解决稀疏条件下的信息缺失问题。广泛的实验证明，我们的方法在稀疏和可推广条件下优于现有的方法。

Jun, 2024

基于给定有限数量的多视角图像，实现可推广的神经隐式表面重建并使用视角组合得分判断输入视角组合的有效性。提出了 UFORecon，一个鲁棒的视角组合可推广表面重建框架，通过交叉视图匹配变换和建立相关视锥体来捕捉全局关联，显式编码成对特征相似性作为视角一致性先验。与先前方法相比，我们的提出的框架在视角组合可推广性和传统的训练有利视角组合基准上均表现出显著优势。

Mar, 2024

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

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

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

我们提出了一种新颖的神经隐式建模方法，利用多种正则化策略在仅依赖图像的情况下实现大型室内环境的更好重建，通过稀疏但准确的深度先验将场景锚定到初始模型，并引入一种密集但精度较低的深度先验，灵活性足以让模型从中分离出来改善估计的几何建模，并提出了一种新颖的自监督策略来规范估计的表面法线，最后，可学习的曝光补偿方案适应复杂的光照条件。实验结果表明，我们的方法在具有挑战性的室内场景中产生了最先进的 3D 重建结果。

Sep, 2023