Survey on Fundamental Deep Learning 3D Reconstruction Techniques

本次调查旨在研究基于深度学习（DL）的3D重建技术，以产生逼真的3D模型和场景，重点介绍神经辐射场（NeRFs）、潜在扩散模型（LDM）和3D高斯喷溅。我们对底层算法进行了剖析，评估了它们的优势和权衡，并展望了这个快速发展领域的未来研究方向。我们提供了关于DL驱动的3D场景重建的全面概述，深入探讨了它们的潜在应用和局限性。

深度学习驱动的三维场景重建技术面临的问题和挑战是什么？本文如何解决这些问题？

本文介绍了基于深度学习的三维场景重建技术，重点介绍了NeRF、LDM和3D高斯飞溅等方法，并对这些方法进行了评估和比较，提出了未来的研究方向。

本文对深度学习驱动的三维场景重建技术进行了全面的概述和评估，介绍了NeRF、LDM和3D高斯飞溅等方法，并分析了它们的优缺点和适用场景。实验使用了不同的数据集进行验证，并公开了代码。未来的研究方向包括提高重建速度、减少数据需求和提高重建精度等方面。

近期的相关研究包括：《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《PIFuHD: Multi-Level Pixel-Aligned Implicit Function for High-Resolution 3D Human Digitization》、《GRAF: Generative Radiance Fields for 3D-Aware Image Synthesis》等。