本文提出了一种新的在线联合估计方法，用于在未知介质中进行视觉惯性测量，解决了对折射指数的依赖问题。研究表明，该方法在水下机器人数据验证中，即使在初始化扰动明显的情况下，也能有效估计水的折射指数，提升测量性能。

该研究提出了多种基于NeRF的模型，旨在提高场景中反射和折射的建模精度。通过分离透射和反射组件，结合虚拟锥超采样和反射追踪等新技术，提升了图像合成质量和深度估计的准确性。这些方法在真实和合成数据集上进行了评估，展现了在复杂场景中的应用潜力。

本文介绍了一种使用廉价的RGB-D相机对透明物体进行重建的方法，通过单目物体分割和深度补全网络预测透明物体的深度，并使用基于极线引导的光流将多个单视图形状先验信息融合到一个跨视图一致的3D重建中。实验结果表明，该方法在3D重建质量上优于基准方法。

该研究提出了一种名为MS-NeRF的多空间神经辐射场方法，以增强现有NeRF方法对反射和折射性物体的理解。结果表明，该方法比现有的单空间NeRF方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间NeRF方法。

该研究提出了一种名为MS-NeRF的多空间神经辐射场方法，以更好地理解神经网络对具有反射和折射性物体的存在的情况，从而实现了对现有 NeRF 方法的增强。研究结果表明，该方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。

该研究提出了一种名为MS-NeRF的多空间神经辐射场方法，以更好地理解神经网络对具有反射和折射性物体的存在的情况，从而实现了对现有 NeRF 方法的增强。研究结果表明，该方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。

该研究提出了一种名为MS-NeRF的多空间神经辐射场方法，以增强对具有反射和折射性物体的场景的理解。该方法比现有的单空间NeRF方法在渲染复杂光路的镜像对象的高质量场景方面表现更好。