本研究提出了一种基于神经距离场的方法，利用可微分的蒙特卡罗光线跟踪技术，从多视角图像中恢复室内场景的形状、辐射和材料，并进行物理模拟和逼真的场景编辑。实验结果表明，该方法在室内场景重建、新视角合成和场景编辑方面优于现有的基线方法。

Mar, 2023

通过将深度先验与 Neural Radiance Fields（NeRFs）相结合，我们调查了 NeRFs 在航空图像块表示不同特征的能力，并将其与公开可用的航空图像基准数据集的结果进行了比较。

Apr, 2024

该研究通过统一的方式制定了表面和体渲染，从而使得无需任何输入蒙版即可实现准确表面重建，并通过实验证明其能够在各方面都优于 NeRF 方法并与 IDR 方法相媲美。

Apr, 2021

该研究论文提出了一种名为 Du-NeRF 的双重神经辐射场方法，可同时实现高质量的几何重建和视角合成，大大改善了室内环境下的新视角合成和三维重建性能，并对不服从多视角颜色一致性的细几何构造尤为有效。

Jan, 2024

通过基于高斯的法线表示，本文提出了一种监督的方式来学习反射场景中几何形状的细节，通过极化先验引导几何学习，并通过优化过程中的重新权重策略来减轻极化先验的噪声问题，实验证明本文的方法在反射场景的神经三维重建中表现出色。

Mar, 2024

该研究提出一种逆向渲染方法，通过多视角图像恢复场景的表面、材质和光照，可以处理具有光泽物体或亮光照明场景，无需使用附加数据，三个阶段的方法通过漫反射和镜面颜色考虑复杂视角依赖光照效果对表面重构，该方法在不依赖任何附加数据的情况下，优于当前状态下表面材质和光照恢复的最佳方法。

May, 2023

我们提出了一种新的通用方法，用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型，我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤，而不需要任何显式形状监督。

Apr, 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

本文研究了连续三维形状表示的问题，提出了一种名为 RayDF 的新框架，包括简单的光线 - 表面距离场、新颖的双光线可见性分类器和多视图一致性优化模块，通过在三个公共数据集上的广泛评估，证明了该方法在合成和真实的三维场景中对三维表面点重建的显著性能，超越了现有的基于坐标和基于光线的基准，特别地，在渲染 800x800 深度图像时，与基于坐标的方法相比，我们的方法速度提高了 1000 倍，展示了其在三维形状表示中的优越性。

Oct, 2023

从由摄像头和扫描器捕捉的 RGB 图像和激光雷达扫描序列中，使用我们的扩展方法，生成具有深度信息的 3D 表面，以及合成新颖的 RGB 图像。

Nov, 2021