本研究综述了放射学图像的三维重建技术，分类了显式与隐式重建算法，强调了人工智能在提升重建精度、缩短处理时间和减少辐射暴露方面的重要性，并指出了未来研究的挑战与方向。

本研究提出动态点图（DPM）概念，解决动态场景三维重建中的关键问题，支持运动分割、场景流估计和三维物体跟踪等任务，性能优越。

本研究提出了一种结合RGB图像的三维重建与机器学习的方法，有效解决了矮型番茄植物总叶面积估算的难题，显示出良好的应用前景。

加州大学洛杉矶分校的研究团队提出了一种自监督深度学习方法spIsoNet，显著提升了冷冻电镜图像质量，解决了取向优势问题，推动了生物大分子重建的精度和各向同性，为结构生物学带来了新突破。

本研究提出了FreeSplatter框架，解决了稀疏视图重建中相机姿态不足的问题。该框架通过无标定稀疏视图生成高质量三维表示，并快速恢复相机参数，优于现有方法。

本研究探讨了神经辐射场（NeRF）在卫星图像季节预测中的应用，特别是Sat-NeRF的表现。结果表明，作为Sat-NeRF扩展的Planet-NeRF能够有效捕捉季节变化的细微差异，超越了之前的模型，展现了未来研究的潜力。

GS-LRM是一个可扩展的大型重建模型，使用单个A100 GPU从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用基于transformer的架构，适用于不同尺度和复杂性的场景。GS-LRM在对象和场景捕捉方面优于现有方法，并在下游3D生成任务中展示了应用。

提出了一种基于结构运动的算法，用于在有限资源下估计未知形状的太空碎片的运动，并输出重构的目标形状和相机之间的相对姿态轨迹，以估计目标的运动。

我们提出了一种基于高斯喷溅（GS）表示的播散模型（GSD），用于从单视图对 3D 对象进行重建。

该研究结合部分超声扫描的肝脏分割掩膜和统计形状模型，通过参数回归网络计算形状参数，实现准确的三维肝脏重建和自动肝容积计算。该方法验证了US图像分辨率、CT扫描数量和输入US扫描数量对结果的影响。这是首个利用少量不完整的US扫描和一组CT扫描的自动肝容积测量系统。

该方法使用高斯散点图进行实际渲染，通过正则项和Poisson重建方法提取网格，快速、可扩展且保留细节信息。可选的优化策略将高斯散点图与网格表面绑定，实现易于编辑、雕刻、绑定、动画制作、合成和调光。与神经隐式函数方法相比，该方法在几分钟内获取逼真渲染所需的可编辑网格，提供更好的渲染质量。

我们提出的NeRSP是一种用于反射表面的神经3D重建技术，通过利用偏振图像处理稀疏输入和反射表面的挑战，并通过多视角一致性优化表面几何模型。实验证明，仅使用6个视角的输入就能实现最先进的表面重建结果。

我们提出了一个跨模态重建网络（CMR-Net），它通过将可微渲染和光学图像的交叉模态监督整合在一起，将高度稀疏的多基线 SAR 3D...

从单视图图像中学习 3D 场景表示是计算机视觉中长期存在的一个基本问题，具有从输入视图预测未见内容的固有模糊性。本文提出了一种分层 Splatter 图像方法，通过一种像素由一个父 3D 高斯和少量的子 3D 高斯来表示，解决了典型 Splatter 图像无法表示不能在输入视图中观察到的遮挡部分的问题。

大规模重建模型在自动化三维内容生成方面取得了重大突破。然而，这些模型常常产生具有几何不精确性的三维网格，这是由于仅从图像数据推断三维形状的固有挑战所引起的。在本文中，我们介绍了一种新颖的框架，即大型图像与点云对齐模型（LAM3D），它利用三维点云数据增强了生成的三维网格的保真度。我们的方法从开发基于点云的网络开始，有效地生成精确而有意义的潜在三平面，为准确的三维网格重建奠定了基础。在此基础上...

该研究提出了一种解决非刚性结构从动中的关键挑战的方法，包括运动/旋转的歧义和对3D形状序列的变形处理问题。通过引入新的临时平滑的Procrustean对齐模块和自适应的空间加权方法，提出了一种更好的非刚性结构建模方法。

该研究提出了一个用于低地球轨道卫星的三维重建框架，通过利用小型业余望远镜捕获的视频数据。该框架包括预处理流程和改进的三维高斯光滑算法，能够产生精细的三维点云。通过实际观测验证，该方法在重建三维空间目标方面具有显著优势。

DIG3D是一种利用单视角RGB图像进行三维重建和新视角合成的新方法。通过深度感知图像特征指导解码器生成三维高斯图像，并引入可变形变换器进行高效解码。在ShapeNet SRN数据集上评估结果表明，该方法在汽车和椅子数据集上的PSNR分别提高了约2.25％，证明了其有效性。