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。

本文提出了一种基于3D高斯喷砂的视角合成方法，旨在提高稀疏输入图像的三维重建质量。通过结合深度先验和高斯优化，该方法在多个数据集上表现优异，显著提升了渲染效率和准确性。同时，协同正则化方法有效改善了重建质量，展示了在动态场景中的应用潜力。

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。

Loopy-SLAM 结合神经 RGBD SLAM 方法，解决了摄像机跟踪中的误差和地图扭曲问题，提升了实时 SLAM 的准确性和完整性。NICE-SLAM 引入分层场景表示，优化大型室内场景重建。此外，提出的新型稠密建图框架和协作式隐式 SLAM 系统在跟踪和地图生成方面表现优越。

本文综述了利用深度先验优化神经辐射场（NeRF）的多项研究，包括Point-NeRF、ConsistentNeRF、SfMNeRF等方法。这些方法通过深度监督与一致性约束，提升了稀疏视图下新视角合成与三维重建的保真度和效率，在多个基准数据集上显著优于传统方法。

该文综述了稀疏视图下NeRF的改进方法，包括ConsistentNeRF的深度规范化3D一致性、SfMNeRF的自监督深度估计、DietNeRF的语义一致性损失以及Re-Nerfing的多阶段优化。这些方法通过深度先验和几何感知正则化提升重建质量，在DTU、LLFF等基准上显著提高PSNR、SSIM等指标。