本研究提出了UW-SDF框架，通过混合几何先验优化水下3D重建，提升了重建的质量与效率。同时，提出了少样本多视角目标分割策略，以解决图像分割的一致性问题。实验结果表明，该方法优于传统技术。

本文介绍了一种基于三维高斯模型的人体重建方法，结合几何先验和注意机制，实现高效的细节恢复和新视图合成。该方法在多个数据集上表现优异，具备实时渲染能力，克服了传统技术的局限性。

本文提出了一种单视角自监督深度估计方法，结合自编码器和几何先验，在没有深度基准数据的情况下实现了与监督学习相似的性能。该方法在KITTI数据集上表现优异，能够提高深度预测精度，适用于高性能GPU和嵌入式设备。

本文介绍了多种基于无符号距离函数（UDF）和神经网络的表面重建方法，如NeuralUDF、nEudf和SuperUDF。这些方法通过学习几何先验和正则化技术，显著提升了复杂形状和开放边界物体的重建质量与效率。实验结果显示，这些新方法在多个数据集上优于现有技术，推动了3D表面重建的发展。

该研究提出了一种通用的单目深度估计模型，结合几何先验和自监督学习，在多个基准测试中表现优异，超越现有方法，适用于高性能设备。

该论文提出了一种新的NeRF方法，通过建模对应匹配信息，提供几何先验，实现体渲染。通过Transformer交叉关注模型，提高特征匹配质量，并在不同评估设置中取得最新成果。实验证明了该方法的有效性和优越性。

本文介绍了一种新的自监督表征学习方法，通过结合有区分度的自监督特征和三维理解，以及弱几何球面先验，来提取具有挑战性的图像特征。该方法在训练过程中注入了信息丰富的几何先验，能够更好地考虑重复部分和对称性误差。实验结果表明，该方法在区分对称视图和重复部分方面表现出色，并且能够推广到未见类别的数据集上。

该论文提出了一种新的NeRF方法，通过两个来源视图推广到新的场景并进行视图合成。该方法利用对应匹配信息建模，提供几何先验，实现体渲染。通过Transformer交叉关注模型跨视图交互，提高特征匹配质量。实验证明了该方法的有效性和优越性。

本文介绍了一种基于无符号距离函数（UDF）的基于学习的表面重建方法SuperUDF，利用学习的几何先验进行高效训练，并采用新的正则化方法提高对稀疏采样的鲁棒性。实验结果表明，SuperUDF在多个公共数据集上的质量和效率优于现有技术。

本文介绍了一种从野外拍摄的单目RGB视频学习高质量隐式三维头像的方法，通过参数化人脸模型驱动头像，实现用户控制的面部表情和头部姿态。该方法结合几何先验、3DMM的动态跟踪和神经辐射场，实现细粒度控制和光线真实感。实验结果表明，该方法能够重建高质量的头像，具有更准确的表情依赖细节，并在训练之外的表情和数量上具有优秀的渲染效果。