通过利用 3D 高斯喷洒方法，我们开发了一种无需相机姿态的稀疏视图合成的新构建和优化方法，通过在构建过程中使用单目深度和将像素投影回 3D 世界来逐步构建解决方案，并通过检测训练视图与对应的渲染图像之间的 2D 对应关系，我们开发了一种统一可微的管道来完成相机注册和相机姿态与深度的调整，最后进行反投影。我们引入了高斯喷洒中预期表面的新概念，这对我们的优化至关重要。这些步骤使得我们能够获得一个粗糙的解决方案，然后可以使用标准优化方法进行低通滤波和细化。在 Tanks 和 Temples 以及 Static Hikes 数据集上，我们展示了仅使用三个广泛间隔的视图的结果，显示出明显优于竞争方法的质量，包括那些具有近似相机姿态信息的方法。此外，我们的结果在使用一半数据集时，随着视图数量的增加而改善，并且在使用 InstantNGP 和高斯喷洒算法时超过了先前的方法。

May, 2024

Sparse3D 是一种针对稀疏视角输入的新型三维重建方法，通过从强大的图像扩散模型提取 2D 先验，使得我们的综合模型在面对开放世界对象时仍能始终保持高质量的结果，并借助 C-SDS 技术来增强细节，实验证明了我们的方法在 NVS 和几何重建方面优于之前的最先进工作。

Aug, 2023

本文研究了从稀疏源观测中合成新视角的问题，提出了一种简单而有效的方法，通过将观测编码到体积表示中进行摊销渲染，并通过自我监督信号实现了对 3D 几何的有效学习。

Jul, 2021

本研究探讨了从未知的相机的两个视图中进行 3D 体积重建的问题，提出了一种新的方法，即联合推理方法，可以从稀疏视图中恢复合理的场景。

Jul, 2020

该论文提出了 ConsistentNeRF 方法，通过深度信息规范化像素之间的 3D 一致性，以提高 NeRF 在稀疏视图下的重建质量。在 DTU、NeRF Synthetic 和 LLFF 等基准测试中，与基线方法相比，该方法可以显著提高模型性能，如 PSNR 可提高 94％，SSIM 可提高 76％，LPIPS 可提高 31％。

May, 2023

本文提出一种在未知相机姿态下采用多视图重建室内场景中平面表面的方法，并且通过实验表明该方法在来自 Matterport3D 挑战性场景的稀疏视图的重建方面能够推进现有技术的发展。

Mar, 2021

我们提出了一种从由 360 度校准相机组拍摄的一组稀疏视图中重建 3D 物体的新方法。我们通过混合模型，使用基于 MLP 的神经表示和三角形网格，表示对象表面。我们工作的一个关键贡献是一种新颖的以对象为中心的神经表示采样方案，其中的光线在所有视图之间共享。这种采样方案通过网格表示确保样本沿法线方向分布均匀。然后，通过可微分的渲染器高效地进行渲染。我们证明了这种采样方案能更有效地训练神经表示，不需要额外的分割蒙版的监督，能获得最先进的 3D 重建结果，并且适用于 Google 的 Scanned Objects、Tank and Temples 和 MVMC Car 数据集的稀疏视图。

Sep, 2023

本文介绍了 SparseGNV 这个基于三个模块的学习框架，通过将 3D 结构和图像生成模型结合起来，在保持图像真实性和视角一致性的基础上生成室内场景的新视角。该模型通过大量的室内场景数据进行训练，可快速地在新的场景中生成多角度的视角，并在真实场景和虚拟场景的评估中均优于当前流行的方法。

May, 2023

在稀疏多视图设置中，我们考虑了手 - 物体重建问题，给定同时捕获的手和物体的多个 RGB 图像，我们的模型 SVHO 将每个视图的预测融合成统一的重建，通过在合成手 - 物体数据集上训练，并在真实世界记录的未见过的物体的手 - 物体数据集上进行直接评估，我们显示出附加视图可以提高重建质量。

May, 2024

本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF，通过最小化光度误差优化多视角反射率网络的潜在空间，成功地实现了从稀疏数据中重建出高质量的物体，进而渲染出真实的图像。

Mar, 2020