本文介绍了一种基于体素的表面重建方法 Voxurf，它通过两步训练、双重颜色网络和层次几何特征等关键设计解决了体素网格在重建精细几何以及缺乏空间一致性方面存在的问题，相较于之前的全隐式方法，Voxurf 在训练速度提高 20 倍的同时还能获得更高的重建质量。

Aug, 2022

应用可微辐射场重建图像中的细节、平衡渲染和几何重建两个目标以生成准确而详细的三维表面。

Jun, 2024

本文提出了 GradientSurf，这是一种从单目 RGB 视频中实时重建表面的新算法。该方法通过渐变域中的表面、体积和定向点云之间的紧密耦合解决重建问题，利用神经网络增量式地从部分扫描中在线找到 Poisson 层的解，以监督局部和全局重建。与离线求解 Poisson 方程的 Poisson Surface Reconstruction 不同，现有方法在从 RGB 信号重建时缺乏细节，本文通过在梯度域中对零阶和一阶能量进行最小化，解决了这个问题。在室内场景重建的任务中，视觉和定量实验结果表明，该方法在曲线区域重建的细节更多，对小物体的保真度更高。

Oct, 2023

本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架，使用有符号距离场和表面光场直接表示场景几何及外观，并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性，实验结果表明相较于现有最优方法，本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。

Aug, 2021

该研究提出了一种新颖的神经表面重建方法 NeuS，将表面表示为带符号距离函数的零水平集，并开发了一种新的体积渲染方法来训练神经 SDF 表示，自主进行高保真度的物体和场景三维重建。

Jun, 2021

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

SparseNeuS 是一种基于神经渲染的表面重建方法，采用有符号距离函数（SDF）作为表面表示，通过几何编码体引入图像特征的通用先验知识进行预测，在利用稀疏视图进行高质量重建时采用了多级几何推理框架、多尺度颜色融合方案和一致性感知微调。实验证明了该方法在速度、泛化性能和灵活性方面均表现出优越性。

Jun, 2022

利用神经多分辨率体素构建的新型稠密同时定位与建图流水线 —NeuV-SLAM，具备超快的收敛速度和增量式扩展能力。通过 RGBD 图像作为输入，构建多分辨率的神经体素来实现快速收敛，同时保持稳健的场景重建和相机跟踪。其中，神经签名距离场（SDF）体素的隐式表示 VDF 是核心，结合了神经 SDF 体素的实现和 SDF 激活策略。该方法通过直接优化体素中的色彩特征和 SDF 值，显著提高了场景收敛速度。为了确保获得清晰的边缘描述，设计了 SDF 激活，即使在体素分辨率受限的情况下，仍能保持出色的场景表示保真度。此外，为了实现快速的增量式扩展和低计算开销，还开发了一种基于哈希的多分辨率体素管理结构 hashMV。该架构与精心设计的体素生成技术和二维场景先验相结合。在 Replica 和 ScanNet 数据集上的实证评估结果验证了 NeuV-SLAM 在收敛速度、跟踪精度、场景重建和渲染质量方面的卓越效能。

Feb, 2024

该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

May, 2022

本文提出了 HF-NeuS 方法，在神经渲染中改善了表面重构的质量，首先通过建立透明度函数与 SDF 的关系，将透明度作为变换后的 SDF 来建模，并采用粗到细的策略将 SDF 分解成基函数与偏移函数，最后设计了自适应优化策略，使得训练过程更加关注表面附近存在微小差错的区域，从而获得了比现有技术更好的表面重构质量。

Jun, 2022