- FAWN：直接神经 TSDF 重建的地板和墙面的正则化
通过检测墙壁和地板，罚款相应的表面法线偏离水平和垂直方向，我们提出了 FAWN，这是截断距离函数（TSDF）重建方法的一个修改版，它考虑了场景结构。FAWN 通过 3D 稀疏卷积模块实现，并且可以与任何预测 TSDF 的可训练流程相结合。我 - 融合偏振和偏折信息的复杂镜面表面的三维成像
通过将 SfP 的偏振线索与 PMD 的几何信息相结合，我们引入了一种测量原理，可以准确解码具有高光面反射的光场中包含的信息，并解决 3D 测量中的各种歧义问题，并且我们的方法去除了 SfP 的不切实际正交成像假设，显著提高了测量结果，演示 - SPIDeRS：结构化偏振用于隐形深度和反射率感知
通过使用极化光的模式，我们引入了结构极化技术 (SPIDeRS)，首个深度和反射感应方法，为视觉、虚拟现实、机器人和人机交互等应用领域提供了捕捉形状和反射能力。我们的方法使用极化光角度的调制，实现了不仅深度，而且直接获得表面法线和反射信息的 - RichDreamer: 一个适用于文本到 3D 的可推广的法线混合模型
通过训练一个通用的 Normal-Depth 扩散模型，结合图像到深度和法向量先验模型，以及引入反射率扩散模型来减轻材质的混合光照效果，本文提出了一种用于 3D 生成的方法，显著增强了细节丰富性，达到了最先进的结果。
- MMMSECNet：基于多尺度边缘条件的精确和鲁棒的三维点云法向估计
MSECNet 是一种改进正常变化区域估计的方法，通过将正常变化建模视为边缘检测问题，采用多尺度特征融合和自适应边缘检测实现强大的边缘检测，将检测到的边缘与主干网络的输出结合，以产生边缘感知表示。在合成和现实世界数据集上，MSECNet 在 - FlipNeRF：少样本新视角合成的翻转反射光线
本文介绍了一种利用 Flipped reflection rays 的 Few-shot novel view synthesis 新颖正则化方法 FlipNeRF，并使用 Uncertainty-aware Emptiness Loss - 控制光照对 Lambertian 物体的感知和操作
本研究提出一种机器人工作空间大小的可控照明方法，使用低入射角定向照明技术，可以精确捕捉 Lambertian 物体的表面法线和深度不连续性，实现了无需高计算成本即可生成高质量信息的功能，包括通用抓取、变形测量，以及物体的姿态估计和跟踪。
- 基于 Masked-AutoEncoder 的点云预训练中的 3D 特征预测
通过自编码器预训练并采用使用基于注意力机制的解码器，本文在点云分析任务中表现优异，提高了点位置重建的不必要性，并还原了遮挡点的基础功能特征，包括表面法线和表面变化。
- ECCVDeepShadow: 神经网络阴影形状
这篇论文提出了一种名为 DeepShadow 的方法，它可以通过光度立体阴影图从自身和投影的阴影中恢复深度图和表面法线，从而进行 3D 重建。该方法不需要预训练或昂贵的标记数据，在推理时进行优化，使用神经网络进行 3D 形状重建。
- ICCV基于置信度的深度和表面法向迭代求解器用于深度多视角立体视觉
介绍了一种基于深度学习的多视角立体匹配系统，采用一种新型求解器，通过优化基于本地平面假设的能量潜力，迭代地求解每个视角的深度图和法向量图，并监测由定制的置信度地图产生的效果。
- 基于迭代几何神经网络和边缘感知精炼的联合深度和表面法线估计算法 GeoNet++
本文提出一个新的几何神经网络 GeoNet++，用于从单张图像中联合预测深度和表面法向图，并通过边缘感知提升预测质量。此网络可用于其他深度 / 法向预测框架中，提高了在 3D 重建应用领域的预测质量和像素级精度，并提出了高质量 3D 表面深 - 基于视觉惯性 SLAM 的深度估计
本文研究了利用 VI-SLAM 系统从稀疏深度点云与室内场景图片中学习场景深度完成的问题，特别地，本文使用预训练的表面法向网络结合利用可用的重力估计来修正输入图像的视角限制，从而提高了表面法向估计和深度完成精度。最后，本文在 ScanNet - CVPROASIS：野外单张图像三维大规模数据集
本研究提出了 Open Annotations of Single Image Surfaces (OASIS) 数据集，其中含有 140,000 张图像的详细 3D 几何注释，用于解决由于数据不足导致的单张图像 3D 恢复的问题，并在多项 - 通过空间矫正器估计倾斜图像的表面法线
本文提出了一种空间矫正器，用于估计倾斜图像的表面法线，并结合截断角损失和 Tilt-RGBD 数据集的应用，取得了优于现有方法的表现。
- CVPR可停用跳连的跨模态深度人脸法线
通过交叉模态学习实现，使用共享空间的编码器 - 解码器网络来对面部图像中的表面法向进行预测，并通过跳跃连接实现面部细节在图像和法线领域之间的转移。使用此方法，可以在没有匹配数据的情况下使用单模态数据进行附加训练，学习了丰富的潜在空间后，能够 - 基于神经网络的单张图像人体深度详细估计
本文提出了一种神经网络来估算单张 RGB 图像中前景人物的详细深度图，其中分离深度图为平滑基础模型和残差细节模型设计出两个分支的网络来回归它们，并利用一种新的网络层将粗深度图和表面法线融合以进一步提高最终结果。
- 自监督学习用于单视图深度和表面法线估计
本文提出了一种自监督学习框架来同时训练两个卷积神经网络 (CNNs)，从单个图像预测深度和表面法线，通过一个简单的深度 - 法线一致性软约束，该框架假设自然场景具有分段平滑的法线，通过训练得到的表面法线网络提供了最先进的预测，而深度网络依赖 - DeepLiDAR：利用深度表面法向量指导的深度预测方法，基于稀疏 LiDAR 数据和单张彩色图像的室外场景
本文提出了一个深度神经网络架构，通过从单个彩色图像和稀疏深度产生准确的密集深度，实现了室外场景的景深感知。该网络以表面法向量为中间表示来产生密集深度，并可进行端到端的训练。利用修改后的编解码器结构，该网络有效地融合了密集的彩色图像和稀疏的 - ECCVCNN-PS: 基于卷积神经网络的非凸面光度立体恢复
本文介绍了一种光度立体网络，该网络直接学习光度立体输入和场景表面法线之间的关系，通过合并所有输入数据到观察映射中，进一步处理无序的任意数量的输入图像，提高旋转伪不变性等训练和预测效果，通过基于物理的渲染器生成的综合光度立体数据集进行训练，能 - CVPR单个 RGB-D 图像的深度完备化
本文介绍了通过深度网络进行 RGB-D 图片的深度补全，该方法的精度比直接补全深度更高，可应用于大多数物体表面甚至透明、光亮及遥远表面的深度补全。