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。

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。

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大型室内环境的更好重建。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。

该文介绍了一种新颖的神经隐式建模方法，可在仅依赖图像的情况下实现大型室内环境的更好重建。作者提出了多种正则化策略和自监督策略，以及可学习的曝光补偿方案，实现了最先进的3D重建结果。