LerPlane 是一种快速且精确的手术场景重建方法，在单视点情况下将手术过程作为 4D 体积进行因式分解成为静态和动态场的 2D 平面。

May, 2023

通过在线学习检测稠密的三维平面，PlanarNeRF 在计算机视觉中具有重要作用，它的灵活架构允许在 2D 监督和自监督解决方案中有效学习，显著提高了训练效率。

Dec, 2023

通过采用神经辐射场（NeRF）方法，我们展示了一种能够学习时间上动态且可变形的三维场景的方法，并能适应各种不同相机和场景设置的鲁棒性模型，该模型消除了已知相机姿态的限制，并克服了目前静态场景重构技术中依赖场景静态部分进行精准重构的缺点，为当前和未来的机器人外科手术系统提供了潜力。

Sep, 2023

本文介绍了 MultiPlaneNeRF 模型，该模型可从 2D 图像中直接产生非可训练的表示，并可通过大量数据的训练来实现推广，以及在生成新视角方面达到业界领先水平。

May, 2023

Dynamic Neural Radiance Fields（Dynamic NeRF）提升了 NeRF 技术以对移动场景建模，然而，它们需要大量资源且难以压缩。为解决该问题，本文提出了 WavePlanes，一种更快且更紧凑的显式模型。我们提出了一个多尺度空间和时空特征平面表示，使用 N 级 2D 小波系数。逆离散小波变换重构了 N 个特征信号，具有不同的细节，线性解码以近似 4D 网格中体积的颜色和密度。利用小波系数的稀疏性，我们压缩了一个哈希映射，仅包含非零系数及其在每个平面上的位置。这导致压缩模型大小约为 12 MB。与最先进的基于平面的模型相比，WavePlanes 小了多达 15 倍，计算需求较低，并在仅一个小时的训练内实现了可比拟的结果 - 无需定制 CUDA 代码或高性能计算资源。此外，我们提出了新的特征融合方案，其效果不亚于以前提出的方案，同时提供更大的可解释性。我们的代码位于：this https URL

Dec, 2023

本文提出一种通过使用有符号距离场获取和使用平面表面信息的新算法，有效地解决了在线重建中嘈杂不完整的问题，并使用平面拟合实现了意义上的语义分割。

Sep, 2016

本文提出了一种用于从有限重叠的图像重建场景平面表面的方法，并介绍了一种新的基于 transformer 的简化方法，PlaneFormer，它是通过对 3D 感知平面记号应用变换器来进行 3D 推理。实验表明，本文的方法比之前的方法更加有效。

Aug, 2022

通过使用新型的基于神经场的方法 EndoSurf，本文针对 3D 场景的无效表示问题，从 RGBD 序列中学习有效地表示变形表面的形状和纹理，实现了重建立体内软组织的高保真度，且在公共内窥镜数据集上明显优于现有解决方案。

Jul, 2023

PlanarRecon 是一种基于神经网络的新框架，通过在视频中逐渐检测 3D 平面，实现了对场景的全局连贯检测与重构，并在 ScanNet 数据集上取得了最新的最优性能。

Jun, 2022

提出了一种基于神经建模的非直视成像框架，采用多层感知器（MLP）来表示神经瞬态场（NeTF），并引入 Monte Carlo 技术来提高重建的鲁棒性和细节保留。实验结果表明，该方法在合成和实际数据集上提供了更高质量的重建并保留了先前方法中缺失的细节。

Jan, 2021