本研究提出了UW-SDF框架，通过混合几何先验优化水下3D重建，提升了重建的质量与效率。同时，提出了少样本多视角目标分割策略，以解决图像分割的一致性问题。实验结果表明，该方法优于传统技术。

本研究提出了多种新方法用于深度场景表示和反渲染，包括神经反射场、基于BRDF的反射估计和间接光照恢复。这些方法结合了神经网络与物理模型，显著提升了图像渲染质量和光照重建能力，尤其在处理光泽物体和复杂光照场景方面表现优越。

该研究提出了一种基于深度学习的自动淋巴结检测方法，显著提高了CT扫描和超声成像中的检测灵敏度，实现了对淋巴结的高效分割和分类，展示了在乳腺癌及其他癌症检测中的应用潜力。

该研究提出了多种神经隐式表面重建方法，利用几何一致性和多视角约束，显著提升室内场景的重建质量。通过引入不确定性建模和深度先验技术，解决了纹理缺乏的问题，实验结果表明其在3D重建中表现优越。

通过将神经有向距离场（SDF）与三维高斯光斑（3DGS）相结合，我们提出了一个统一的优化框架，用于在室内场景中进行高质量的重建和实时速度的渲染。

本文介绍了多种基于可微分渲染的3D形状优化方法，如SDFDiff、MeshSDF和DeepSDF。这些方法在多视图和单视图3D重建中表现优异，结合深度学习技术，实现了高效的3D形状表示和优化，提升了渲染质量与效率。

本文介绍了多种基于神经网络的3D场景重建方法，旨在解决室内场景重建中的误差问题。通过不确定性建模和重要性引导采样等技术，提升了细节重建效果。实验结果表明，这些方法在复杂场景的重建和编辑方面优于现有技术。

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。

我们介绍了一种名为H2O-SDF的两阶段学习方法，用于区分室内环境中的对象和非对象区域。该方法引入了对象表面场（OSF）的新概念，解决了捕捉高频细节的问题。通过多个实验验证了该方法的有效性。

介绍了名为RING-NeRF的新体系结构，用于控制场景和潜在空间之间的映射函数。具有抗锯齿渲染和重建质量，对基于SDF的NeRF具有鲁棒性。可以动态添加网格以增加重建细节。

本文介绍了使用学习得出的SDF和UV贴图参数化构建隐式3D变形人脸模型的新方法，实现了单张图片的重建、面部表情动画的修改和纹理的直接绘制，提高了照片逼真度、几何和表情精度。