本篇论文提出了一个双管齐下的方法来解决单视图图像的三维重建问题，引入数据先验的概念并设计了3D-LMNet，使用潜在嵌入匹配的方法进行三维重建，在概率潜在空间中学习多个与输入视图一致的重建结果，使用新颖的视图分化损失函数实现不同角度的多方案三维重建，实验证明该方法在真实和合成数据集上的性能均超过了现有技术。

Jul, 2018

Point-MVSNet是用point clouds直接处理目标场景的深度学习网络，通过将3D几何先验和2D纹理信息融入特征增强的point cloud中，实现了在multi-view stereo中更高的精度、更高的计算效率和更大的灵活性。

Aug, 2019

本文提出了一种基于学习的方法，用于在点云数据中完成刚性物体的6自由度姿态估计，并且相比于使用RGB信息进行物体检测的方法，本方法可以通过初始检测到最终转换估计阶段处理无序的点集来实现准确的姿态估计，有些情况下还能够超过在相同数据上训练的最先进的方法.

Dec, 2019

本文提出了一种基于深度学习的新方法，实现从单张RGB图像中重建出具有几十万个点的密集点云，包括RGB纹理，并在多个类别上进行训练以实现对未见类别的优越泛化性能。

Dec, 2019

本文综述了现有的三维点云分析技术及其算法、应用场景和目标，介绍了使用的数据集和评估指标，并比较了现有解决方案的性能，最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。

Jun, 2023

我们提出了一种新的测试时间优化方法，可以将仿射不变深度模型的健壮性转移到具有挑战性的多样化场景，同时确保帧间一致性，每个视频帧只需优化几十个参数。实验证明，我们的方法在五个零样本测试数据集上实现了最先进的跨数据集重建。

Aug, 2023

通过使用UNeR3D，这篇研究论文提出了一种开创性的无监督方法来从2D图像生成详细的3D重建，同时通过应用逆距离加权技术进行颜色渲染，提高了视觉保真度，并展示了在单视图输入和其他情况下的优越成果，从而重塑了3D视觉中的无监督学习范式。

Dec, 2023

本文提出了一种将ViT和扩散模型结合的DiffPoint架构，用于2D到3D重建的任务，通过将嘈杂的点云分割成不规则块，在每个扩散步骤中利用ViT模型训练以预测目标点，实现了在单视图和多视图重建任务中的最先进结果，并且引入了一种统一且灵活的特征融合模块用于聚合来自不同输入图像的特征，进一步证明了应用统一架构于语言和图像之间以提升3D重建任务的可行性。

Feb, 2024

通过结合多视角全景图像、鲁棒的相机位姿估计、先进的图像处理以及点云密度化、网格重建和纹理生成等技术，本论文提出了一个增强型的多视角立体重建框架，显著提高了传统方法的准确性和精度，在处理遮挡和视角变化的复杂场景重建方面表现出了优异的计算效率和鲁棒性，对于实时处理和可扩展性要求高的情况，可以与当前最先进的神经隐式场方法相竞争甚至超越。

Jun, 2024

本研究解决了从无姿态单目相机输入进行在线2D和3D点跟踪的挑战，提出了动态在线单目重建(DynOMo)方法。该方法通过3D高斯点云重建动态场景，利用图像特征重建和一种新颖的相似性增强正则化项，能够在没有对应层次监督的情况下实现点轨迹的生成，显著提升了在线点跟踪的实用性。尽管方法简单，DynOMo却为单目无姿态相机的在线点跟踪建立了首个基准，推动了相关领域的发展。

Sep, 2024