- EpiDiff：通过局部的对极约束扩散增强多视角合成
通过将轻量级的极线注意力块插入冻结扩散模型，EpiDiff 提出了一种局部交互多视角扩散模型，实现了对单一图像条件下的三维网格的快速生成，并在生成速度、泛化能力和质量方面具有优势。
- A-Scan2BIM: 辅助扫描到建筑信息建模
本文介绍了一种用于辅助建筑师的系统，将大型点云转换为建筑的标准化数字表示，用于建筑信息建模（BIM）应用。系统通过自动地预测一系列建模编辑操作来帮助建筑师进行 Scan-to-BIM 过程，并且提供了建筑规模的 Scan2BIM 数据集以及 - LiveNVS: 实时 RGB-D 流上的神经视图合成
LiveNVS 是一个实时 RGB-D 重建系统，利用神经网络渲染方法，能够在实时流处理中进行神经网络的新视图合成，使用户能够实时虚拟探索场景并评估重建质量。
- ICCV基于隐式神经表示的紧凑数据表示的改进位置编码
提出了一种改进了隐式神经表示（INR）的重构质量的新型位置编码方法，该嵌入方法在紧凑数据表示方面具有更大数量的频率基础，并在压缩任务中不引入任何额外复杂度的情况下，在速率失真性能和新视角合成的重构质量方面取得了显著的增益。
- 点云中无旋流的 $p$-Poisson 曲面重建
通过对无组织点云进行局部偏微分方程监督以及差分矢量场的基本属性，本文提出了一种具有鲁棒性、高质量的曲面重建方法，采用了隐式神经表示技术，并通过学习 $p$-Poisson 方程得到符号距离函数 (SDF)，从而隐式表示重建曲面。实验结果表明 - 多词典张量分解
我们提出了一种多字典张量分解（MDTD）框架，利用编码字典中关于张量模式的先验结构信息来获得稀疏编码的张量因子。通过实验证明，MDTD 相比无字典方法学习到更简洁的模型，且在重构质量、缺失值插补质量和张量秩的估计等方面均具有明显的改进，而且 - 室内场景重建与细节增强的混合表达和法线先验
通过将低频和高频区域分别表示，并结合图像锐化和去噪技术以及估计像素级表面法线向量的网络，我们的混合架构和改进的正常先验可以显著提高室内场景的重建质量。
- 计算机断层扫描的多阶段深度学习伪影抑制
计算机断层扫描（CT）中，通过一组获取到的投影图像计算出物体内部结构的图像。为了提高重建图像的质量，常常对这些获取到的投影图像进行多个去伪影步骤的处理。近年来，深度学习方法在 CT 造影图像去伪影方面显示出了很好的结果。然而，大多数现有的 - 稳健的 GAN 倒置
通过在本身潜在空间中调节生成器网络来恢复缺失的图像细节，我们的方法在重建质量和计算效率方面优于传统方法，具有更低的失真和 4 倍少的参数数量。
- CamP: 神经辐射场的相机预处理
我们研究了如何通过改进相机参数优化方法来提高神经辐射场（NeRF）在三维场景重建中的质量，并提出了一种使用白化变换作为相机参数的预处理器来显著改善重建质量的方法。
- ICCVRef-DVGO：反射感知的直接体素网格优化，实现反射场景重构的质量与效率权衡改善
我们研究了一种基于隐式 - 显式方法的密度场重建和渲染的方案，以在处理反射场景时在效率和质量之间取得均衡，并提出了关于影响重建反射对象结果的因素的假设。
- PoissonNet：使用 Fourier 神经算子进行分辨率无关的三维形状重建
PoissonNet 是一种用于从点云中恢复三维形状的架构，通过利用 Fourier 神经算子 (FNOs) 来解决 Poisson 方程并从定向点云测量中重建网格，其具有效率高、重建质量较好、运行时间短以及分辨率灵活等优势，并通过数值结果 - 重新审视 GAN 反演的潜空间用于真实图像编辑
通过将 StyleGANs 的超球面先验 Z 与潜空间结合起来，我们提出了 F/Z + 空间，其中 F 空间用于重建图像而 Z + 空间支持高质量的编辑，通过在 Z + 空间中移动实现语义编辑而不损失图像质量。
- 基于分层自编码器的大规模高分辨率科学数据有损压缩
我们提出了一个神经网络模型，能够在不牺牲重建质量的情况下，显著压缩大规模科学数据，并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试，达到了 140 的压缩比和可忽略的重建误差。
- 揭示模型偏差：通过采样还原分析评估深度神经网络
本文提出了一种简单和经济有效的方法来评估深度神经网络是否依赖于训练样本的主要概念，或者只是学习区分类别的简单而无关紧要的特征。该方法通过恢复模型参数并分析重构质量来确定模型是否学习了所需的训练数据特征且不存在偏差。
- 利用神经模板正则化从不同视角进行 3D 重建
本文提出了一种基于体绘制的神经表面重建方法，它只需要三张不同的 RGB 图像作为输入。我们的关键点是通过规范化重建来解决严重的不适定问题。我们的方法 DiViNet 分为两个阶段，第一阶段学习不同场景下的 3D 高斯函数模板，第二阶段使用预 - 负样本翻转：基于文本引导扩散模型的快速图像编辑
本文提出一种负激励反演方法，通过前向传播实现等效重建来加速处理图像编辑中的扩散模型，实验证明与现有方法相比，我们的方法的重建质量是可比的，更快，可用于改善扩散模型的重建质量。
- CVPRBundleRecon: 基于光束的三维神经重建
本研究提出了一种增强的神经隐式多视图重建模型 ——BundleRecon，该模型通过使用捆绑光线束的方式采样一组像素，从而充分利用邻近像素之间的信息，并设计基于光线束的约束以进一步提高重建质量。实验证明，该模型与现有的神经隐式多视图重建方法 - NeuRIS: 使用法线先验的神经重建室内场景
提出了一种名为 NeuRIS 的新方法，该方法在神经成像框架中整合室内场景的估计法线作为优先重建大型无纹理形状，以及使异形形状具有细节；只有经过验证为忠实的优先权才会用于 3D 重建，实验证明，该方法在重建质量方面显著优于现有的方法。
- CVPR使用动态编码云学习 3D 形状的深度隐函数
本文介绍了一种名为 DCC-DIF 的深度内隐函数学习方法，通过将本地编码与可学习的位置向量相对应，将 3D 形状表示为动态编码云，用于捕获几何细节，提高表示能力和重建质量。