本研究提出了NeuGrasp方法，旨在解决透明和反射物体场景中机器人抓取的挑战。该方法结合背景先验和变换器，提升了在稀疏视角下的表面重建能力。实验结果表明，NeuGrasp的抓取性能优于现有方法，同时重建质量相似。

本研究提出了一种新的3D几何形状编码方法，旨在提高几何处理效率并减少数据损失。研究通过变分形状推理和新模型，展示了在三维物体表面重建中的优越性，特别是在处理复杂拓扑和提升重建性能方面的表现。

本文介绍了多种神经隐式函数方法在表面重建中的应用，包括RegSDF、SparseNeuS和HF-NeuS。这些方法通过引入几何特征和优化策略，提高了重建质量和速度，尤其在稀疏视角下表现优越。新提出的GenS和Spurfies方法进一步提升了重建效果，能够在复杂场景中恢复高频细节。

本研究提出了一种通过学习无符号距离函数（UDF）进行表面重建的新方法，并结合多边形化算法提取表面。实验结果表明，该方法在合成和真实数据的重建中优于现有技术。此外，研究还介绍了SuperUDF和DEUDF等改进方法，增强了对稀疏采样的鲁棒性和重建精度。

本研究探讨了高参数3D高斯喷溅（3DGS）模型的训练，提出了RetinaGS通用模型的并行训练方法，优化了模型大小和渲染质量。新方法提升了大规模场景中的训练速度和视觉质量，实现了高保真度的表面重建和渲染效果。

本文介绍了多种基于神经网络的表面重建方法，如Voxurf、GradientSurf和NeuS。这些方法通过优化几何特征和颜色一致性，显著提升了重建质量和速度，克服了传统方法在细节和一致性方面的不足。实验结果表明，这些新方法在复杂场景重建中表现优越。

本文探讨了3D高斯喷射技术中的密度控制不足，提出了一种新的视图空间渐变方向梯度作为密度增加的判据，以解决过度重构和模糊渲染问题。同时，研究介绍了GS-SLAM算法，利用3D高斯表示提升SLAM系统的效率与准确性，并提出了CompGS和PGSR等新方法，显著提高了三维场景建模和表面重建的质量与效率。

本研究提出了一种新型表面重建框架，结合神经隐式表达、立体匹配和特征保持，优化多视角特征一致性和渲染图像保真度，提升复杂场景的重建鲁棒性。实验结果表明，该方法在无需输入蒙版的情况下，优于现有最优方法。

本文提出了一种新方法，通过2D遮挡澄清和物理接触约束，解决遮挡下的表面重建问题。测试结果显示，HO3D效果提高52%，HOD效果提高20%。该方法能够从单目视频中获取手部和物体的三维重构，适用于不同难度的数据集，并进行了量化评估。

本文介绍了多种基于无符号距离函数（UDF）和神经网络的表面重建方法，如NeuralUDF、nEudf和SuperUDF。这些方法通过学习几何先验和正则化技术，显著提升了复杂形状和开放边界物体的重建质量与效率。实验结果显示，这些新方法在多个数据集上优于现有技术，推动了3D表面重建的发展。

本文探讨了表面重建中几何特征保留的挑战，提出了一种数据驱动的方法，通过优化算法和深度学习技术，实现高分辨率3D形状的可伸缩重建。研究包括加权社区聚类算法、离散曲面总曲率测量方法及可学习网格表示方法，展示了在准确性和效率上的优势。

本文介绍了一种利用神经网络从点云重建表面的方法。该方法通过训练局部上下文先验，实现了对不同点云的全局重构，实验结果表明其在表面重建方面优于现有技术。此外，研究提出了新的隐式表示方法和基于深度学习的网格重建技术，显著提高了重建精度和效率。

本文介绍了一种基于无符号距离函数（UDF）的基于学习的表面重建方法SuperUDF，利用学习的几何先验进行高效训练，并采用新的正则化方法提高对稀疏采样的鲁棒性。实验结果表明，SuperUDF在多个公共数据集上的质量和效率优于现有技术。