本论文提出了 SceneRF 方法，采用自监督单目场景重建方法，只用图像序列进行训练，优化辐射场，生成新的深度视图，并成功应用于室内 BundleFusion 和室外 SemanticKITTI 的场景重建中，超越了最近的基线

Dec, 2022

本文提出了一种新的神经重建方法，使用可访问的 2D 图像作为监督来进行 3D 场景重建，其中通过引入二进制带注符号距离函数、色彩场和概率场等方法实现了场景的重建，并引入了几何和平面约束以实现对场景复杂几何区域和低纹理区域的重建。

Jun, 2023

本文介绍了名为 NeuralRecon 的新型框架，可实时从单目视频中重建 3D 场景。该系统采用基于学习的 TSDF 融合模块，通过神经网络直接逐个重建局部表面，从而捕捉局部平滑性先验和全局形状先验，实现高精度，连贯和实时的表面重建。实验结果表明，该系统在准确性和速度方面均优于现有的方法。这是首个能够在实时情况下重建连贯稠密 3D 几何模型的基于学习的系统。

Apr, 2021

提出一种利用自监督的方法，将部分和嘈杂的 RGB-D 扫描转换为高质量的 3D 场景重建，从而实现预测未观测到的场景几何形状，并通过新的 3D 稀疏生成神经网络架构来生成高分辨率的 3D 场景表面并提高重建质量。

Nov, 2019

研究使用 “符号距离函数” 结合 “稀疏体素块网格” 等算法实现室内场景的平面重建，相较于常规算法在训练与渲染速度上有数量级的提升，同时保持与现有方法相当的精度。

May, 2023

通过多视图几何从单目序列中获取粗略相机姿态以解决室内场景中自监督单目深度估计的挑战，通过旋转和平移 / 缩放优化来改进姿态，通过全局推理的视觉变换器和迭代的自蒸馏机制软化低纹理效果，实验结果显示了框架中每个组件的有效性，并提供了室内自监督单目深度估计的新的技术水平以及出色的泛化能力。

Sep, 2023

本文提出了基于多视角几何一致的自监督训练架构，目标是在面部姿态和深度估计过程中提供可靠的约束。实验结果表明，该方法在面部姿态、表情和光照等方面的变异下都表现出优越性。

Jul, 2020

本文介绍了一种名为 AutoRecon 的新型框架，该框架利用自我监督的 2D 视觉转换器功能，通过多视图图像自动发现和重建对象，并使用分解的神经场景表示进行密集监督，从而实现了准确的对象重建和分割。

May, 2023

通过利用内在分解指导、瞬态 - 单模先验指导和视图增强来解决光照不一致、几何不对齐和视图稀疏等问题，我们提出了一种新的 3D 重构框架，该框架能够将多视图图像生成与神经网络基于体积有符号距离函数的单一图像到 3D 对象重建相结合。在各种数据集上评估我们的方法，并在定量和定性评估中展示了其卓越性能，从而在 3D 物体重建方面取得了显著的进展。与最新的最先进方法 Syncdreamer 相比，我们将 Chamfer 距离误差降低了约 36％，将 PSNR 提高了约 30％。

Jan, 2024

提出了一种基于 transformer 网络的深度分解模块、一个迭代的相机位置残差估计模块和一个直接进行坐标卷积编码的坐标引导策略，从而提高了自监督单目深度估计方法在室内环境中的性能。

Jul, 2022