浙大团队提出了一种新方法——体素对齐的前馈3D高斯泼溅，解决了二维特征在三维空间对齐及高斯密度受限的问题，提升了多视角渲染的质量与效率。该方法通过将2D特征聚合到3D体素网格中，增强了几何一致性和跨视图稳定性，适用于机器人、自动驾驶及AR/VR等领域。

本研究提出了GC MVSNet++模型，解决了传统多视角立体视觉方法在几何一致性检查中的不足。实验结果表明，该方法加快了学习过程，并在多个数据集上取得了最佳性能，展示了监督学习在多视角和多尺度几何一致性中的潜力。

本研究提出了一种自监督方法，能够从无姿势的互联网照片生成3D一致性视频。该方法利用视频一致性和多视角照片的可变性，训练可扩展的3D感知视频模型，无需3D注释。实验结果表明，该方法在几何和外观一致性方面优于现有基线，适用于需要摄像机控制的应用。

本研究提出M3D框架，旨在解决从单个RGB图像重建3D对象的挑战。该框架采用双流特征提取策略，显著提升了场景理解和重建精度，实验结果表明其在几何一致性和重建保真度方面表现优异。

本研究提出了一种新颖的高斯点云方法，解决了传统高分辨率图像在实时交互中的局限，尤其在稀疏视角下。该方法显著提高了渲染速度并保持几何一致性，实验结果表明其优于现有技术，具有广泛应用潜力。

本研究提出了一种新方法INTEGER，旨在解决无监督点云配准中的优化目标不足问题。通过特征几何一致性挖掘模块，结合上下文信息和几何线索，动态适应教师网络，生成可靠的伪标签。实验结果表明，INTEGER在准确性和普遍性方面表现优异。

本研究提出了一种3D适配器模块，解决了多视角图像扩散模型在3D几何一致性方面的不足。通过注入3D几何意识，显著提升了几何质量，支持多种任务，展现了广泛的应用潜力。

本文介绍了一系列新方法，如LucidDreaming、MIG和Direct3D，旨在提高3D生成的控制能力和质量。这些技术解决了几何不一致性和属性泄漏问题，提升了生成结果的视觉质量和一致性，为用户提供了更大的创作自由度，推动了3D内容创作的进步。

本研究提出多种神经网络方法用于高质量3D表面重建，利用多视角图像、几何一致性和隐式神经渲染等技术，显著提高了重建精度和细节表现，尤其在复杂几何和反射物体的处理上取得了优异成果。

本文介绍了一系列基于多模型匹配和优化算法的视觉重建方法，重点在于提高匹配数量和精度。研究涵盖了从宽基线匹配到无检测器SfM框架的进展，强调了在复杂场景中处理几何一致性和点云匹配的创新，展示了显著的性能提升和应用潜力。

本文介绍了多种三维生成技术，包括基于分数蒸馏的NeRF模型、DragD3D局部网格编辑方法和PolyDiff三维多边形网格生成方法。这些技术通过结合草图风格引导、二维扩散先验和合理性保持，显著提升了三维对象生成的质量和控制能力，解决了几何不一致性问题。

该研究提出了多种神经隐式表面重建方法，利用几何一致性和多视角约束，显著提升室内场景的重建质量。通过引入不确定性建模和深度先验技术，解决了纹理缺乏的问题，实验结果表明其在3D重建中表现优越。

本文介绍了一种新颖的三维生成方法“Consistent3D”，通过GSD框架和姿态相关性蒸馏采样（PCDS），显著提高了文本到三维生成的几何一致性和质量。研究还提出了分类器分数蒸馏（CSD）和稳定评分蒸馏（SSD）等新方法，优化了生成模型的性能，解决了3D模型准确性与文本提示之间的错位问题。实验结果表明，这些方法在生成高保真度和多样性的三维物体方面表现优异。

本文介绍了多种基于扩散模型的三维图像生成方法，如ConsistNet、SyncDreamer和MVDream。这些模型能够从单张图像生成多视角一致的三维图像，解决几何和颜色一致性问题，适用于新视点合成和个性化三维生成。结合文本提示和大规模数据集，这些方法显著提高了生成效果和稳定性。

该论文提出了一种几何一致的神经隐式表面重建方法，结合多视角几何约束和稀疏结构信息，优化有符号距离函数以实现高质量重建。实验结果表明，该方法在速度、泛化性能和灵活性方面表现优越。

本文介绍了通过DreamControl的两阶段2D-lifting框架解决3D生成中的几何不一致性问题，提升了文本到3D生成的可控性。研究提出了Control3D方法，结合手绘草图和文本提示，生成高质量的3D场景，并探讨了人脸合成、3D模型生成及样式编辑等技术，展示了在几何和纹理一致性方面的显著进展。

该研究介绍了多种基于视频扩散模型的3D生成方法，如One-2-3-45++和Envision3D，能够从单张图像快速生成高质量的3D纹理网格和多视图图像。这些方法通过新算法和框架显著提高了生成效率和几何一致性，适用于个性化3D生成和新视角合成。

本文介绍了一种新方法GC-MVSNet，通过鼓励多源视图的几何一致性，加速多视角立体（MVS）学习过程，达到了DTU和BlendedMVS数据集的最新技术水平，并在Tanks and Temples基准上取得了竞争力结果。该方法结合了匹配不确定性估计和几何一致性，显著提高了深度估计的准确性。