提出了一种端到端的三维重建方法，通过直接回归截断带符号距离函数（TSDF）从一组姿势 RGB 图像中实现。使用 2D CNN 独立地提取每个图像的特征，然后通过相机内参和外参进行反投影和累积到体素体积中。此外，通过该方法获取到了三维模型的语义分割。该方法在 Scannet 数据集上得到了评估，既在量化指标上，也在视觉效果上都超过了国际领先的基准结果。

Mar, 2020

本文介绍了三种有效的方法来改善基于内推法的三维重建的精度，分别为：分辨率无关的 TSDF 监督策略、使用多视角深度估计的深度引导策略和使用高分辨率图像特征的新颖体系结构。这些方法可以使三维重建更加精细准确。

Apr, 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

使用 2D 法线贴图进行弱监督的基于深度学习的方法，实现服装人体的三维重建。利用神经网络推断在休息姿势下围绕身体离散的四面体网格上的有符号距离函数 (SDF)，接着利用推断得到的姿势和相机参数生成法线贴图。通过 Marching Tetrahedra 从四面体网格上的 SDF 计算出一个三角化表面，从而方便进行微分计算（反向传播）。因此，仅凭借真实的法线贴图（没有体积信息的真实数据），我们就可以训练网络从相应的 RGB 图像中生成 SDF 值。可选择性地使用多视角损失以改善结果。我们展示了该方法在网络推断和三维重建方面的有效性。

Nov, 2023

本论文提出一种基于内隐神经表示的重建方法，将平面约束融合到多视角立体方法的深度图估计中，并在 2D 语义分割网络预测的墙和地面区域采用平面约束来规范几何形状。该方法在 ScanNet 数据集上的实验表明，与以前的方法相比，在 3D 重建质量方面表现出更好的性能。

May, 2022

在室内场景中，我们提出了一种基于结构感知的在线有符号距离场（SDF）重建框架，特别是在 Atlanta 世界（AW）假设下，命名为 AiSDF。通过该在线框架，我们推断给定场景的潜在 Atlanta 结构，然后估计支撑 Atlanta 结构的平面 surfel 区域，提供了给定场景的显式平面地图。此外，基于这些 Atlanta 平面 surfel 区域，我们对 SDF 重建进行自适应采样和约束结构规律性，从而在保持高层结构的同时增强给定场景的细节。我们在 ScanNet 和 ReplicaCAD 数据集上评估了提出的 AiSDF，证明了该框架能够隐式地重建对象的细节，并在房间尺度的场景中显式地重建结构。

Mar, 2024

本研究旨在通过智能手机，利用深度神经网络技术重建室内地图，提出了线上勘测算法 FloorNet 核心思路，即将 RGBD 流图像数据分别经过三个大的神经网络模块来提取特征并同时考虑 3D 与 2D 空间信息，这种方法能够有效提高室内平面图的重建准确性。

Mar, 2018

本文介绍了一种利用深度神经网络复制传统的 local depth maps calculation 和 global depth maps fusion 两步骤框架，以改善对 3D 场景重建精度和可解释性的计算机视觉任务方法。此外，作者还提出了一种称为 PosedConv 的旋转不变的 3D 卷积核，用于提高从非常不同视角获取的图像之间的匹配效率。作者在 ScanNet 数据集上进行了大量实验证明提出的方法在深度神经网络和传统计算机视觉技术中具有竞争力。

Aug, 2021

我们提出了一种高效的数据驱动的解决方案，用于楼层平面图的自我定位。该方法不需要每张地图和位置的重新训练，也不需要大量图片数据库。我们提出了一个由观测模块和新型时间滤波模块组成的新颖概率模型。我们的方法适用于传统消费硬件，并克服了其他方法常常需要直立图像的共同限制。我们的系统满足实时要求，并在性能上显著超过现有技术。

Mar, 2024

本文提出了一种新的自动化平面图重建方法，该方法由名为 Floor-SP 的优化问题构成，其中每个房间的坐标下降顺序地解决动态规划以优化楼层图结构，该方法不需要阈值的角点 / 边缘检测，重点在数据项上，引导深度神经网络生成建筑物模型，并通过一系列一致性和模型复杂度项来优化。评估结果表明，该方法比当前最先进的方法具有显著的性能改进

Aug, 2019