本研究提出了FreeSplatter框架，解决了稀疏视图重建中相机姿态不足的问题。该框架通过无标定稀疏视图生成高质量三维表示，并快速恢复相机参数，优于现有方法。

本研究提出了一种新的生成性稠密化方法，解决了高斯模型在稀疏视图3D重建中难以表示高频细节的问题。该方法通过单次前向传播生成更精细的高斯，显著提升了对象和场景重建的表现，尤其在细节表示方面。

该研究提出了DGTR框架，旨在解决有限计算资源下稀疏视图大场景重构的问题。通过无人机区域独立处理和前馈高斯模型，显著提升了重构质量和速度，并缩短了训练时间。

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Total-Recon、Sparse3D和MVDiffusion++等新型三维重建方法，这些方法利用图像扩散模型和新颖的神经场景表示，提升了从单视图和稀疏视图生成高质量三维场景的能力，且在多个真实世界数据集上表现优越，解决了传统方法中的歧义和细节缺失问题。

本文介绍了多种改进神经辐射场（NeRF）的方法，如DietNeRF、BARF和HyperNeRF，旨在提升3D重建和视图合成的质量。这些方法在处理稀疏视图、优化相机姿态和新视角合成方面表现出色，显著提高了模型性能。

本研究提出了一种从稀疏视图进行3D体积重建的新方法，采用无姿态架构和视图丢弃策略，显著提高了重建的精度和速度，适用于多种物体和场景。

本文提出了一种结合传统模型与现代扩散模型的高效3D医学图像重建方法，适用于稀疏视图和有限角度断层扫描。该方法在单个GPU上运行，具有高保真度、准确度和良好的泛化能力，适合不同体积的重建。通过补丁训练的扩散模型提高了数据效率，并在多种逆问题中表现出卓越性能。

本文介绍了一种基于关系旋转和注意力转换层的方法，用于从稀疏视图图像中估计6D相机姿态，显著提升了已知和未知物体的姿态估计效果，适用于野外物体的姿态估计和3D重建。

SMERF是一种高精度实时视图合成方法，采用分层模型和蒸馏训练策略，实现大场景的高保真渲染。新颖的倾斜平面MRF模型同时推理遮挡边界和深度，表现优于现有方法。Drone-NeRF框架利用神经辐射场增强无人机摄影的场景重建，解决复杂性和渲染效率问题。MuRF方法在多个基线设置下实现高质量稀疏视图合成，展现良好的泛化能力。

本文介绍了一种基于3D高斯模型的新视角合成方法，利用稀疏视图和深度估计实现高效渲染。该方法通过训练高斯参数回归模块，在多个数据集上表现优异，具备快速推断和高质量重建的优势。同时，研究探讨了动态场景合成及其在实时渲染中的应用，推动了3D高斯喷涂技术的发展。

本文提出了一种新的方法，可以从由360度校准相机组拍摄的一组稀疏视图中重建3D物体。该方法使用基于MLP的神经表示和三角形网格来表示对象表面，并采用一种以对象为中心的神经表示采样方案，通过网格表示确保样本分布均匀。通过可微分的渲染器高效地进行渲染，证明了这种采样方案能更有效地训练神经表示，获得最先进的3D重建结果，并适用于多个数据集的稀疏视图。