本文提出了一种创新的框架，采用体积表示法对网格进行紧缩、更新和细化，同时采用哈希方法实现 O (1) 的访问，引入 Hamming 距离方法进一步改善三角形一致性，同时使用基于锁和无锁操作实现 GPU 并行计算，实验证明该方法在在线重建过程中能够显著减少网格内存占用且速度快。

Mar, 2018

本文提出了基于特征体积的实时密集重建方法，采用稀疏的深度特征体积来预测 TSDF 值，通过多视角图像聚合细节信息进行时序融合，实现了比以往更高分辨率和更完整细节的三维几何图形重建，其在室内和室外场景中都比现有的方法具有更好的实时重建性能。

May, 2023

该论文提出了一种称为 FastMESH 的有效的基于网格的神经渲染方法，通过采用六边形网格模型以及基于粗到细的空间切割方案，可以在快速训练的同时，实现更好的重建和新视角合成效果。

May, 2023

通过实时深度数据重建场景的完整三维模型存在遮挡缺失的问题。我们提出了一个基于深度图输入序列、支持实时增量和语义场景完成的框架，其中利用一种新颖的神经架构以及基于体素状态的方式来识别精确、高效的语义完成，并将其与全局三维模型相融合，从而最终达到精准高效的三维语义场景完整。

Oct, 2020

本文提出了一种名为 Vox-Fusion 的密集跟踪和建图系统，其将神经隐式表示与传统体积融合方法无缝融合。该方法通过采用基于体素的神经隐式表面表示来编码和优化每个体素内部的场景，并采用基于八叉树的结构来划分场景和支持动态扩展，进而实现对任意场景的跟踪和建图。此外，我们提出了一个高性能的多进程框架来加速该方法，从而支持某些需要实时性能的应用。评估结果表明，我们的方法可以实现比先前方法更好的准确性和完整性。我们还展示了我们的 Vox-Fusion 可用于增强现实和虚拟现实应用。

Oct, 2022

介绍了一种新的基于动态网格优化的高清晰度 3D 表面重建方法，其中包含 RGB 和深度观测，该方法能够在维持计算效率的同时，在合成和真实数据上生成细节丰富的高质量 3D 重建。

Apr, 2023

介绍 Deformable Tetrahedral Meshes (DefTet) 作为一种特殊的参数化，利用容积四面体网格用于重建问题，该方法可以同时达到高精度、容积、可学习神经架构，并且可以产生比替代容积方法小得多的网格大小的高保真重建。

Nov, 2020

提出了一种名为 VisFusion 的可见性感知在线 3D 场景重建方法，通过对单目视频进行姿态估计来恢复场景的体量特征，并提出了细节保留的局部稀疏化方法和分层预测 TSDF 的方法，实验结果表明我们的方法能够获得卓越的性能。

Apr, 2023

该研究论文提出了一种基于截断有符号距离函数的 NeRF 框架的 3D 重建方法，结合 RGB-D 传感器和相机细化技术，得到高质量的空间重建结果。

Apr, 2021

本研究提出了一种基于手持拍摄的自然光下重建透明物体的 3D 形状的新方法，该方法采用了显式网格和多层感知器网络（MLP）的混合表示，通过多视图剪影获得初始形状，并使用基于表面的局部 MLP 编码顶点位移场（VDF）进行表面细节的重建。定义在表面而不是体积上的局部 MLPs 也减少了搜索空间，从而实现了基于单张图片的环境抠图算法的简化实现。经过多项实验证明，此方法可以在采集数据方面进行简化，并且可以确保重建质量优于现有的技术水平。

Mar, 2022