本文介绍了一种名为3DMV的新方法，结合3D多视图预测网络进行RGB-D扫描的三维语义场景分割。该方法通过融合RGB和几何特征，显著提高了分割效果，并提出了基于动态数据结构的卷积方法、2D-3D融合策略及多视角立体技术的神经重建框架，在多个数据集上表现优异。

本文介绍了一种基于表面模型的神经重建方法Neural Reflectance Surfaces (NeRS)，通过学习形状、颜色和高光等参数，实现多角度物体重建。研究提出了高斯法线监督学习、卷积神经网络结构和偏振成像结合深度学习等新技术，推动了三维重建技术的发展。

本文介绍了一种新的神经重建方法，通过2D图像进行3D场景重建，结合几何约束和概率场，提高复杂区域的重建质量。同时，提出了基于神经隐式表达的表面重建框架，优化多视角特征一致性，增强鲁棒性。研究还开发了高分辨率的3D图像生成技术，展示了在多个数据集上的优越表现。