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

提出了 RapidVol：一种神经表示框架用于加快切片到体积的超声重建，并通过使用张量秩分解将典型的三维体积分解为三面板的集合，再用一个小型神经网络来存储，只需一组带有三维位置和方向（姿态）的二维超声扫描就可以进行完整的三维重建。与基于完全隐式表示的先前方法相比（如神经辐射场），我们的方法速度提高了 3 倍以上，准确性提高了 46%，而且在给出不准确的姿态时具有更强的鲁棒性。可以通过从结构先验而不是从头开始进行重建来进一步加快速度。

Apr, 2024

本文研究使用前景掩码作为弱监督，通过光线追踪池化层实现透视投影和反向传播的三维重建，同时限制重建到未标记的能匹配覆盖面的真实三维形状。通过该方法可以使用 GAN 训练现有工具。我们通过各种数据集进行单视角和多视角重建的实验和分析表明，我们约束重建的方法在合成和真实图像的重建中均有成效。

May, 2017

通过使用单个消费级 RGB-D 传感器以实时速率进行动态几何形状的重建，我们提出了一种新的方法，该方法不需要预定义的形状模板，并且在扫描过程中从头开始构建场景模型。采用了体积表示法对几何和运动进行参数化，并且基于提取的稀疏颜色特征与密集深度约束公式相结合实现了运动跟踪。从而保证了准确跟踪并大大降低了标准模型到深度对齐固有的漂移。同时，我们还将寻找空间最佳变形视为非线性正则化变分优化问题，并通过在本地平滑和靠近输入约束的同时实现了数据并行的翻转优化策略。研究结果表明，即使在快速运动和缺乏几何特征的场景下，也能实现稳健的跟踪。

Mar, 2016

论文提出了一种统一框架，用于解决单幅图像特定类别的 3D 重建和新 3D 形状生成的问题。该方法支持弱监督学习，只需要单个实例的 2D 图像，使用网格作为输出表示，并利用光照信息提高了性能。实验结果表明，该方法在定量度量上与最新的基于体素方法相当或优于，而且结果更加美观，并且在弱监督学习方面表现良好。

Jul, 2018

通过少量的立体图像对体积视图进行重建，该文介绍了一种新颖的深度学习框架，将深度立体模型与三维卷积神经网络（3D CNN）和迁移模块相结合，能够捕捉体积的形状和动态，从而估计出大规模体积（如云）的密度和速度场。

Nov, 2023

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

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

该论文提出了一种基于深度学习的主动重建模型，利用引导视图规划来重建一个三维模型，其中包括了信息获取模型的学习和信息聚合的方法，实验表明该模型比其他方法更能提高重建精度和预测一个更具信息性的视图序列来完成对象重建。

May, 2018

通过学习，我们提出了一种表示动态物体的方法，该方法由编码器 - 解码器网络和可微分的射线行进操作组成，它不需要明确重建或跟踪物体，使用了 3D 体积表示法，表现出更好的图像质量，为高分辨率应用提供了一种从表面到体积的方法

Jun, 2019