本研究解决了RGB图像多任务学习过程中实时性能和效率的挑战。通过采用多教师-单学生的训练范式，Y-MAP-Net能够在单次网络评估中同时预测深度、表面法线、人体姿态、语义分割并生成多标签说明。研究表明，该网络在保持强泛化能力的同时，具备简单性和计算效率，适合于机器人及其他实际应用。

本文探讨了多种三维重建方法，包括正常积分、表面法线估计和深度估计。研究提出了一种高效算法，结合几何一致性和光度优化，显著提高了重建的精度和效率，并通过动态评估局部几何特征优化了不连续性处理，展示了在多样化数据集上的优越性。

本文介绍了为角色添加光照效果的方法，包括环境光、漫反射光和法线贴图的使用。作者通过逐步测试和调整成功完成了任务。

本文介绍了一种新型光谱学习算法，旨在解决SLAM（同时定位与制图）中的距离数据处理问题。该算法在统计一致性、计算要求低和跟踪表现方面表现优异。同时，研究提出了结合LiDAR和视觉的几何特征融合框架，提升了移动机器人在复杂环境中的导航能力。此外，多个新数据集和方法的引入显著提高了SLAM算法的性能和准确性。

本文介绍了一种基于学习的逆向渲染方法，构建了Residual Appearance Renderer（RAR），用于估计室内场景的反射率、法线和照明。该方法在三维物体重建和光照恢复方面的实验中表现优于现有技术，展现了卓越的性能和准确度。

本文介绍了一种新方法，通过深度先验优化神经光辐射场模型，实现高保真度的新视角合成。该方法结合深度监督和几何约束，在少量输入图像下显著提升视图合成性能，并在多个数据集上取得了先进结果。

本文介绍了一种从单个阴影图像中重建形状的多模态分布模型，通过训练一个小型去噪扩散过程生成表面法线场，并根据形状一致性约束进行引导。该模型能产生多稳态形状解释，并对特征性遮挡轮廓较少的物体图像也能产生真实的形状估计。研究为随机3D形状感知提供新的启示。

本文介绍了一种利用极化成像的端到端深度学习方法来实现物体表面法线的高精度三维重建的方法，并通过定量和定性的评估结果表明，该方法相较于基于物理的方法在整个数据集上能够以最低的平均角误差（MAE）值为 18.06 度来准确重建物体表面法线。

通过应用合理的约束条件，我们在干净点云和有噪点云上学习得到的内在特征的一致性，提出了一种改进正常估计质量的方法，并引入一个包含不同噪声级别的多视角正常估计数据集，通过评估现有方法在该数据集上的表现发现其过拟合问题，持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。

介绍了一种用于 360 度图像的单目表面法线估计架构 PanoNormal，通过使用多级全局自注意机制和考虑球面特征分布，结合了 CNN 和 ViTs 的优势，实现了在多个流行的 360 度单目数据集上的最先进性能。

本文介绍了一种名为PoNQ的新型可学习网格表示方法，通过局部样本点、法线和误差度量获取全局网格，处理具有边界和锐利特征的开放表面，展示了其有效性。

本文研究了使用稀疏 LiDAR 数据估计垂直线的方法，解决了高曲率区域平滑法线的问题，并证明了该方法在高质量地图生成中的稳健性和低运行时开销。

该研究使用Transformer模型准确预测带噪声和密度变化的点云的法线。实验结果显示，该模型在合成形状数据集和真实世界室内场景数据集上表现出更强的抗噪性和更快的推理速度，同时证明了复杂手工设计模块在表面法线估计任务中的非必需性。

本文提出了一种新型的物理推动深度学习框架，用于单目深度估计和补全任务。该方法通过估计表面法线和距离图，并规范化转换为深度图。实验证明，该方法优于先前的方法。

SuperNormal 是一种快速、高保真度的多视图 3D 重建方法，利用表面法线图生成详细表面，通过多分辨率哈希编码和基于路径的射线行进来优化神经有符号距离函数 (SDF) 的体积渲染，相较于现有的多视图光度立体重建方法，在效率和准确性上表现卓越。

该研究提出了一种新的方法，可以从单眼内窥镜获取的图像序列中进行三维重建。研究人员成功地实现了在整个结肠部分产生密封重建的方法，通过考虑内腔的密封性和场景照明的变化。该方法在幻影影像上展示了出色的准确性，为癌症筛查探测的自动质量评估提供了可能。

本文介绍了一种新方法，通过给定文本提示和3D网格生成3D模型的纹理。该方法考虑了深度信息，利用评分蒸馏采样过程生成纹理。在开源数据集上进行了模型测试和用户研究，结果表明该方法能够生成更令人满意的结果，并且在时间上更快。同时，还进行了消融研究，探讨了不同因素对生成质量的影响。

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。

该文介绍了一种名为神经梯度学习（NGL）的深度学习方法，用于从三维点云中学习具有一致方向的梯度向量，并提出了基于局部平面几何的梯度向量优化（GVO）来细化粗糙的梯度向量。该方法具有高效的全局梯度近似性能和更好的局部特征描述的准确性和泛化能力，成为具有抗噪声、异常值和点密度变化能力的最先进的法线估计器。