本文提出了一种基于3D高斯散点的稀疏视图三维重建方法，结合深度先验和显式约束，显著提高了新视角合成的一致性和重建质量。实验结果表明，该方法在处理稀疏输入和噪声时表现出强大的鲁棒性，并在多个数据集上超越了现有技术。

本文介绍了一种新颖的神经隐式建模方法，通过多种正则化策略实现了大型室内环境的更好重建。该方法利用深度先验锚定场景到初始模型，并引入了密集的深度先验来改善几何建模。同时，还提出了自监督策略规范表面法线估计，并引入可学习的曝光补偿方案适应光照条件。实验结果表明，该方法在具有挑战性的室内场景中产生了最先进的3D重建结果。

本文提出了一种使用深度先验的方法，从单个全景图中同时复原物体形状、定向边界框和三维房间布局。实验表明，该方法在布局估计和三维物体检测方面优于先前的全景场景理解方法。同时，引入了一个真实世界数据集。

该研究提出了一种新的神经隐式建模方法，通过多种正则化策略实现了室内环境的更好重建。该方法利用深度先验将场景锚定到初始模型，并引入了一种灵活的深度先验来改善几何建模。研究还提出了一种自监督策略来规范表面法线，并提出了适应复杂光照条件的可学习曝光补偿方案。实验结果表明，该方法在室内场景中取得了最先进的3D重建效果。

本文介绍了一种新颖的神经隐式建模方法，通过多种正则化策略实现了大型室内环境的更好重建。该方法利用稀疏但准确的深度先验将场景锚定到初始模型，并引入了一种密集但精度较低的深度先验，以改善几何建模的估计。同时，还提出了一种自监督策略来规范估计的表面法线，并引入了可学习的曝光补偿方案以适应复杂的光照条件。实验结果表明，该方法在具有挑战性的室内场景中产生了最先进的3D重建结果。