TurboVGGT: Fast Visual Geometry Reconstruction with Adaptive Alternating Attention
Huawei Noah’s Ark Lab（华为诺亚实验室）；University of Toronto（多伦多大学）；Foundation Model Department, Huawei（华为基础模型部门）
本文提出TurboVGGT，通过自适应稀疏全局注意力和帧注意力实现高效多视图3D重建，在保持重建质量的同时提升效率。
2026-10-15 cs.CV
latentSplat: Autoencoding Variational Gaussians for Fast Generalizable 3D Reconstruction
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Saarland University（萨尔大学）
latentSplat提出了一种在3D潜在空间预测变分语义高斯并结合轻量级2D生成解码器的方法，兼顾回归与生成优势，实现了快速、可扩展且高泛化性的3D重建。
2024-07-30 cs.CV
OmniGS: Fast Radiance Field Reconstruction using Omnidirectional Gaussian Splatting
Sun Yat-sen University（中山大学）；The Hong Kong University of Science and Technology（香港科技大学）
提出OmniGS系统，通过理论分析球面相机导数并实现GPU加速全方位光栅化器，直接对等距柱状图像进行3D高斯溅射，实现快速高质量的全方位辐射场重建。
2024-11-06 cs.CV
MVSNeRF: Fast Generalizable Radiance Field Reconstruction from Multi-View Stereo
ShanghaiTech University（上海科技大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Adobe Research（Adobe研究院）
我们提出了MVSNeRF，一种新的神经渲染方法，可以有效地重建神经辐射场的视图合成。与先前在神经辐射场上考虑密集捕获图像上的每场景优化的工作不同，我们提出了一种通用的深度神经网络，该网络可以通过快速网络推理从仅三个附近的输入视图重建辐射场。我们的方法利用平面扫描成本卷（广泛用于多视图立体视觉）的几何感知场景推理，并将其与基于物理的体渲染神经辐射场重建。我们在DTU数据集中的真实对象上训练我们的网络，并在三个不同的数据集上对其进行测试，以评估其有效性和通用性。我们的方法可以概括跨场景（即使是室内场景，完全不同于我们的训练场景的对象），并生成逼真的视图合成结果，仅使用三个输入图像，显着优于并发工作的可概括的辐射场重建。此外，如果捕获密集图像，我们估计的辐射场表示可以很容易地进行微调;这导致快速的每场景重建，具有更高的渲染质量和比NeRF少得多的优化时间。
2021-08-24 cs.CV
Fourier Optics and Deep Learning Methods for Fast 3D Reconstruction in Digital Holography
Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）；University of North Dakota（北达科他大学）
本文提出一种高效快速的流水线框架，利用点云和MRI数据，结合非凸傅里叶光学优化算法与深度学习方法生成全息图，并通过2D中值滤波有效提升了3D重建性能。
2025-08-08 cs.CV
Fast-Image2Point: Towards Real-Time Point Cloud Reconstruction of a Single Image using 3D Supervision
Concordia University（康考迪亚大学）；Touché Technologies（Touché科技公司）
三维重建问题中的一个关键问题是如何训练机器人或机器人进行三维建模。自动驾驶汽车等实时的【形】系统中的导航等许多任务都直接依赖于这个问题。这些系统通常具有有限的计算能力。尽管近年来3D重建系统取得了相当大的进展，但由于现有方法的高复杂性和计算需求，将其应用于自动驾驶车辆中的导航系统等实时的【形】系统仍然具有挑战性。这项研究解决了当前的问题，在重建物体显示在一个单一的视图图像中，在一个更快的（实时的【形】）的方式。为此，开发了一个简单而强大的深度神经框架。该框架由两部分组成：特征提取模块和3D生成器模块。我们使用点云表示我们的重建模块的输出。ShapeNet数据集用于比较该方法与现有结果的计算时间和精度。仿真结果表明了该方法的优越性能。索引术语-实时三维重建、单视图重建、监督学习、深度神经网络
2022-09-20 cs.CV
CryoFastAR: Fast Cryo-EM Ab Initio Reconstruction Made Easy
ShanghaiTech University（上海科技大學）；Cellverse, Co., Ltd（Cellverse公司）；HKUST（香港科技大学）；UT Austin（德克萨斯大学奥斯汀分校）
CryoFastAR是首个直接从冷冻电镜噪声图像预测姿态的几何基础模型，通过多视图特征和渐进训练，在保证重建质量的同时显著加速从头重建。
2025-10-14 cs.CV
Deform3DGS: Flexible Deformation for Fast Surgical Scene Reconstruction with Gaussian Splatting
National University of Singapore（新加坡国立大学）；Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）
针对手术场景重建中组织变形导致渲染慢、训练长的问题，提出基于3D高斯泼溅的快速重建框架Deform3DGS，通过点云初始化与灵活变形建模方案FDM，在DaVinci视频上实现高保真度与实时渲染，并大幅缩短训练时间。
2024-05-30 cs.CV
Real-time Indoor Scene Reconstruction with RGBD and Inertia Input
Hangzhou Dianzi University（杭州电子科技大学）；Tsinghua University（清华大学）
摄像机运动估计是三维场景重建和同时定位与地图构建（SLAM）的关键技术。为了使其可行地实现，以前的作品通常假设缓慢的相机运动，这限制了它在许多实际情况下的使用。我们提出了一个端到端的三维重建系统，它结合了颜色，深度和惯性测量，以实现快速传感器运动的鲁棒重建。我们的框架扩展卡尔曼滤波器融合的三种信息，并涉及一个迭代法，以联合优化特征对应，相机姿态和场景几何。我们还提出了一种新型的几何感知补丁变形技术来适应图像域中的特征外观，从而在快速相机运动下实现更准确的特征匹配。实验表明，我们的补丁变形方法提高了特征跟踪的准确性，我们的三维重建优于国家的最先进的解决方案下快速相机运动。
2018-12-07 cs.CV
FastPano3D: Feed-Forward Indoor Panoramic 3D Reconstruction from a Single Image
Xi’an Shiyou University（西安电子科技大学）；Xidian University（西安电子科技大学）；Swansea University（斯旺西大学）；University of Bristol（布里斯托大学）
提出FastPano3D框架，从单张全景图直接生成可渲染的3D高斯表示，通过轻量编码器、自适应采样和点云引导优化，实现无需测试优化的快速高质量重建，速度比Pano2Room快156倍。
2026-06-29 cs.CV
ILV: Iterative Latent Volumes for Fast and Accurate Sparse-View CT Reconstruction
Sungkyunkwan University（成均馆大学）；Yonsei University（延世大学）
提出迭代潜在体（ILV）框架，结合数据驱动先验与经典迭代重建原理，通过构建并迭代更新显式3D潜在体，实现稀疏视角CBCT的快速高精度重建，在约14,000个CT体积的大规模数据集上显著优于现有方法。
2026-06-25 cs.CV
PolGS++: Physically-Guided Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction
PolGS++通过整合极化BRDF模型和深度引导的可见性遮罩机制，实现高效且准确的反射表面重建。
2026-11-10 cs.CV
FatesGS: Fast and Accurate Sparse-View Surface Reconstruction using Gaussian Splatting with Depth-Feature Consistency
Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University（北京信息科学与技术国家研究中心（BNRist），清华大学）；School of Software, Tsinghua University（清华大学软件学院）
针对 Gaussian Splatting 在稀疏视图下易过拟合、表面不完整的问题，提出 FatesGS 框架，融合单目深度排序、块内一致性与多视图投影特征约束，在 DTU 和 BlendedMVS 上以 60–200 倍加速超越现有方法。
2025-01-08 cs.CV
Fast Converging 3D Gaussian Splatting for 1-Minute Reconstruction
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Wuhan University（武汉大学）
本文提出了一种快速收敛的3D高斯点撒方法，通过两阶段方案在1分钟内实现高保真重建，取得PSNR 28.43的优异成绩。
2026-01-28 cs.CV
GHOST: Fast Category-agnostic Hand-Object Interaction Reconstruction from RGB Videos using Gaussian Splatting
RPTU（鲁尔大学图灵学院）；DFKI-AV Kaiserslautern（德累斯顿-费尔德基辛人工智能研究所）；UPM Saudi Arabia（西班牙国际大学沙特分校）；NUST-SEECS Pakistan（奈瓦扎巴德大学信息与电子科学学院）
GHOST通过高斯散射技术实现快速且无类别的手-物体交互重建，解决了现有方法在物理一致性上的不足，实验表明其在3D重建和2D渲染质量上达到领先水平。
2026-03-19 cs.CV
Instant Gaussian Stream: Fast and Generalizable Streaming of Dynamic Scene Reconstruction via Gaussian Splatting
Peking University（北京大学）；Pengcheng Laboratory（鹏城实验室）
针对现有动态场景重建流式方法单帧重建慢、误差累积的问题，提出基于高斯泼溅的IGS框架，结合锚点驱动高斯运动网络与关键帧引导策略，实现快速可泛化的流式重建并提升合成质量。
2025-03-21 cs.CV
Gaussian-Voxel Duet: A Dual-Scaffolding Hybrid Representation for Fast and Accurate Monocular Surface Reconstruction
Zhejiang University（浙江大学）；Westlake University（西湖大学）；National University of Defense Technology（国防科技大学）
提出一种混合高斯-体素表示，通过将锚定高斯约束在体素化SDF定义的表面窄带内，并引入隐式表面约束损失，在保持快速训练和实时渲染的同时，实现了高质量表面重建和新视图合成。
2026-09-01 cs.CV
Splatter Image: Ultra-Fast Single-View 3D Reconstruction
University of Oxford（牛津大学）
提出基于 Gaussian Splatting 的 Splatter Image，用 2D 网络将单视图图像映射为逐像素 3D Gaussian，实现 38 FPS 的高质量前馈重建，并支持多视图注意力扩展。
2024-04-16 cs.CV
Mesh Strikes Back: Fast and Efficient Human Reconstruction from RGB videos
University of Pennsylvania（宾夕法尼亚大学）；Amazon.com, Inc（亚马逊公司）
由于服装、遮挡、纹理的不连续性和清晰度以及特定于帧的姿态变化，单目RGB视频的人体重建和合成是一个具有挑战性的问题。许多方法采用延迟渲染、NeRF和隐式方法来表示穿着衣服的人，前提是基于网格的表示无法单独从RGB、轮廓和关键点捕获复杂的服装和纹理。我们通过优化SMPL+D网格和仅使用RGB图像，二进制轮廓和稀疏2D关键点的高效，多分辨率纹理表示来提供对这个基本前提的相反观点。实验结果表明，我们的方法是更能够捕捉几何细节相比，视觉外壳，网格为基础的方法。我们展示了竞争力的新视图合成和改进的新姿态合成相比，NeRF为基础的方法，引入明显的，不必要的文物。通过将解决方案空间限制在SMPL+D模型与可微分渲染相结合，我们在计算、训练时间（高达24倍）和推理时间（高达192倍）方面获得了显着的加速。因此，我们的方法可以按原样使用，也可以作为基于NeRF的方法的快速初始化。
2023-03-15 cs.CV
QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization
提出QuickSplat，通过学习数据驱动先验生成密集初始化并联合预测致密化，加速大规模室内场景3D表面重建，运行时间提升8倍且深度误差最多降低48%。
2025-08-10 cs.CV
SwiftNDC: Fast Neural Depth Correction for High-Fidelity 3D Reconstruction
La Trobe University（拉特罗布大学）；Australian Institute of Marine Science（澳大利亚海洋科学研究所）；Cisco Research（思科研究）
SwiftNDC通过神经深度校正和稳健几何初始化，实现快速高质量3D重建，减少优化迭代并提升视图合成保真度。
2026-02-26 cs.CV cs.GR
Fast3R: Towards 3D Reconstruction of 1000+ Images in One Forward Pass
Meta FAIR；University of Michigan（密歇根大学）
针对现有多视图3D重建方法成对处理、需全局对齐导致效率低的问题，提出基于Transformer的Fast3R方法，单次前向传播即可处理多幅图像，实现了精度不降、速度提升且误差累积减少的可扩展3D重建。
2025-03-19 cs.AI cs.CV cs.GR
Dynamics-Aware Gaussian Splatting Streaming Towards Fast On-the-Fly 4D Reconstruction
Hong Kong University of Science and Technology（香港科技大学）；Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI））
提出一种动力学感知的三阶段流式高斯溅射方法，用于快速即时4D重建，实现最先进性能与实时渲染。
2025-03-27 cs.AI cs.CV
EfficientMonoHair: Fast Strand-Level Reconstruction from Monocular Video via Multi-View Direction Fusion
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文提出EfficientMonoHair框架，结合隐式神经网络与多视图几何融合，实现单目视频中高效准确的发束重建，通过融合补丁多视图优化和并行发生长策略提升效率与鲁棒性。
2026-04-07 cs.CV cs.GR
Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks
Tiandatz Technology Co. Ltd.（天达智科技有限公司）；Beijing Friendship Hospital, Capital Medical University（首都医科大学附属北京友谊医院）
本文提出FasterFC卷积算子及基于它的二维VarNet与三维FAS-Net，通过扩展空间-k空间全局感受野提升加速MRI重建质量。
2023-06-05 cs.CV cs.LG eess.IV
3D Reconstruction with Fast Dipole Sums
Carnegie Mellon University（卡内基梅隆大学）
我们提出一种基于正则化偶极子求和与Barnes-Hut加速的新方法，用于从多视图图像进行高质量三维重建，在相同运行时间内显著提升重建质量与鲁棒性。
2024-09-18 cs.CV cs.GR
A Fast, Scalable, and Robust Deep Learning-based Iterative Reconstruction Framework for Accelerated Industrial Cone-beam X-ray Computed Tomography
Oak Ridge National Laboratory（橡树岭国家实验室）；UT-Battelle, LLC（UT-巴特勒有限责任公司）
提出一种基于深度学习的迭代重建框架，集成伪影减少CNN和自动正则化参数选择，实现工业锥束XCT的快速、可扩展且稳健的重建，在密集金属部件上超越现有监督方法。
2025-01-21 cs.CV cs.LG
Animatable 3D Gaussian: Fast and High-Quality Reconstruction of Multiple Human Avatars
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；GalaSports（高拉体育）
提出Animatable 3D Gaussian方法，通过蒙皮3D高斯与骨架建模、多头哈希编码器和时间相关环境光遮蔽模块，实现多人化身快速高质量重建，训练与渲染效率显著优于InstantAvatar。
2024-07-28 cs.CV cs.GR
eRAKI: Fast Robust Artificial neural networks for K-space Interpolation (RAKI) with Coil Combination and Joint Reconstruction
Tsinghua University（清华大学）；Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）；Harvard Medical School（哈佛医学院）
RAKI可以通过仅使用来自每个特定扫描的自动校准信号（ACS）训练模型来执行无数据库MRI重建。由于它为每个单独的线圈训练单独的模型，因此使用RAKI进行学习和推理在计算上可能会受到限制，特别是对于大型3D数据集。在本摘要中，我们通过直接学习线圈组合目标来加速RAKI超过200倍，并使用多个回波的联合重建以及椭圆CAIPI采样方法来进一步提高重建性能。我们进一步将这些改进部署在定量成像中，并从快速EPTI扫描中快速获得T2和T2* 参数图。
2021-07-07 cs.CV
Link to the Past: Temporal Propagation for Fast 3D Human Reconstruction from Monocular Video
Department of Electrical and Computer Engineering, Inha University（电子与计算机工程系，釜山大学）
针对单目视频3D着装人体重建中效率与质量难以兼顾的问题，提出即插即用的 TemPoFast3D，利用时序一致性和规范外观表示减少冗余计算，在达到或超过SOTA质量的同时实现最高12 FPS。
2025-05-12 cs.CV
Fast PET reconstruction using Multi-scale Fully Convolutional Neural Networks
University College London（伦敦大学学院）
PET图像的重建是一个不适定的逆问题，并且通常需要迭代算法来实现良好的图像质量，以在实践中可靠地用于临床，这需要巨大的计算成本。在本文中，我们认为PET重建的密集预测问题，大规模的上下文信息是必不可少的，并提出了一种新的架构的多尺度全卷积神经网络（msfCNN）的快速PET图像重建。所提出的msfCNN通过使用缩小-放大结构和扩张卷积获得了具有内存和计算效率的大感受野。代替池化和去卷积，我们建议使用来自子像素卷积的周期性洗牌操作及其逆操作来缩放特征图的大小而不损失分辨率。增加了剩余连接以改善训练。我们用模拟数据训练了所提出的msfCNN模型，并将其应用于西门子mMR扫描仪上采集的临床PET数据。来自真实肿瘤和神经退行性疾病病例的结果表明，所提出的基于msfCNN的重建在计算时间方面优于迭代方法，同时实现了可比较的图像质量以进行量化。所提出的msfCNN模型可以应用于其他密集预测任务，并且基于msfCNN的快速PET重建可以促进分子成像在介入/外科手术中的潜在应用，其中癌症手术可以特别受益。
2017-04-24 cs.CV
FastMESH: Fast Surface Reconstruction by Hexagonal Mesh-based Neural Rendering
Zhejiang University（浙江大学）；Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）
本文提出FastMESH方法，通过光线与网格交点采样、由粗到细的空间雕刻以及约束顶点二阶导数的六边形网格模型，在仅使用低级别位置编码的情况下实现快速且高质量的表面重建与新视角合成，训练速度较隐式方法提升10倍。
2023-05-29 cs.CV
Fast and accurate reconstruction of HARDI using a 1D encoder-decoder convolutional network
Huazhong University of Science and Technology（华中科技大学）
高角分辨率弥散成像（HARDI）与弥散张量成像相比，需要大量的数据测量，限制了其在实际中的应用。在这项工作中，我们探索了一种基于学习的方法，从q空间中的少量测量中重建HARDI。该方法的目的是直接学习测量和HARDI信号之间的映射关系，从收集其他主题的HARDI收购。具体地，映射被表示为在用于HARDI重建的压缩感测（CS）理论的指导下的1D编码器-解码器卷积神经网络。提出的网络架构主要由两部分组成：编码器网络产生稀疏系数和解码器网络产生重建结果。实验结果表明，该方法能够鲁棒地重建HARDI信号，重建结果准确，重建速度快。
2019-03-21 cs.CV
Fast Regularity-Constrained Plane Reconstruction
Jimei University（集美大学）；Xiamen University（厦门大学）
人造环境通常包括呈现出许多几何关系（诸如平行性、共面性和正交性）的平面结构。充分利用这些关系可以大大提高复杂场景平面重建算法的鲁棒性。这项研究利用一个约束模型，需要最少的先验知识，隐含地建立飞机之间的关系。我们引入了一种基于能量最小化的方法来重建与我们的约束模型一致的平面。该算法是有效的，易于理解，实现简单。实验结果表明，我们的算法成功地重建飞机在高百分比的噪音和离群值。这是优于其他国家的最先进的规则约束的平面重建方法的速度和鲁棒性。
2019-05-20 cs.CV
Fast-HaMeR: Boosting Hand Mesh Reconstruction using Knowledge Distillation
RPTU（鲁尔大学）；DFKI-AV（达姆施塔特德国研究院-人工智能实验室）；UPM（乌拉尔理工大学）；NUST-SEECS（纳全国科技大学-信息与电子工程学院）
本文提出Fast-HaMeR，通过轻量神经网络与知识蒸馏提升3D手形重建效率，采用MobileNet等轻量模型替代原ViT-H，并验证了输出级和特征级蒸馏策略的有效性，实现速度提升1.5倍且精度损失仅0.4mm。
2026-03-17 cs.CV
Any3DAvatar: Fast and High-Quality Full-Head 3D Avatar Reconstruction from Single Portrait Image
Shanghai Jiaotong University（上海交通大学）
本文提出Any3DAvatar，通过统一数据集和结构化3D高斯骨架实现单图快速高质量头部3D重建，兼顾精度与速度。
2026-08-06 cs.CV
PDRF: Progressively Deblurring Radiance Field for Fast and Robust Scene Reconstruction from Blurry Images
Johns Hopkins University（约翰斯·霍普金斯大学）
提出了一种从模糊图像中有效重建高质量辐射场的新方法--渐进去模糊辐射场（PDRF）。虽然当前最先进的（SoTA）场景重建方法从干净的源视图实现照片真实感渲染结果，但是当源视图受到模糊影响时，它们的性能受到影响，这通常在野外的图像中观察到。以前的去模糊方法要么不考虑3D几何形状，要么计算密集。为了解决这些问题，PDRF，辐射场建模中的渐进去模糊方案，通过结合3D场景上下文来精确地建模模糊。PDRF还使用高效的重要性采样方案，这导致快速场景优化。具体来说，PDRF提出了一个粗略的光线渲染器，以快速估计体素密度和功能，然后使用精细体素渲染器来实现高质量的光线追踪。我们进行了大量的实验，并表明PDRF比以前的SoTA快15倍，同时在合成和真实场景中实现了更好的性能。
2022-08-17 cs.CV
Fast Landmark Localization with 3D Component Reconstruction and CNN for Cross-Pose Recognition
National Taiwan University of Science and Technology（台湾科技大学）
提出了两种用于交叉姿态人脸识别的方法，一种是基于面部部件的3D重建，另一种是基于深度卷积神经网络（CNN）。与大多数考虑整体面部的3D方法不同，所提出的方法考虑3D面部组件。它将2D图库面分割为元件，为每个元件重建3D曲面，并通过元件特征识别探测面。分割基于分层算法定位的地标，该算法结合了用于人脸检测的Faster R-CNN和用于地标定位的Reduced Tree Structured Model。基于CNN的方法的核心部分是修改的VGG网络。我们研究了训练集上不同设置的性能，包括来自3D重建的合成数据，来自野外数据库的真实数据，以及两种类型的数据组合。我们调查的网络时，它被用作分类器或设计为一个特征提取器的性能。这两种识别方法和快速地标定位进行了评估，在广泛的实验，并比较国家的最先进的方法，以证明其有效性。
2017-08-31 cs.CV
Fast Iteratively Reweighted Least Squares Algorithms for Analysis-Based Sparsity Reconstruction
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Library of Congress（美国国会图书馆）；University of Electronic Science and Technology of China（电子科技大学）
在本文中，我们提出了一种新的算法分析为基础的稀疏重建。它可以解决广义问题的结构稀疏正则化与正交基和全变分正则化。该算法是基于迭代加权最小二乘（IRLS）模型，这是进一步加速预条件共轭梯度法。该算法的收敛速度与传统的IRLS算法几乎相同，即指数快速。此外，与专门设计的预条件，每次迭代的计算成本显着低于传统的IRLS算法，这使得我们的方法来处理大规模的问题。除了快速收敛，它是直接适用于我们的方法，标准稀疏，组稀疏，重叠组稀疏和电视为基础的问题。实验进行了实际应用：压缩传感磁共振成像。大量的结果表明，该算法实现了优越的性能超过14个国家的最先进的算法在精度和计算成本。
2015-04-28 cs.CV
GO-Surf: Neural Feature Grid Optimization for Fast, High-Fidelity RGB-D Surface Reconstruction
University College London（伦敦大学学院）
我们提出了GO-Surf，一种直接的特征网格优化方法，用于从RGB-D序列准确快速地重建表面。我们用一个学习过的分层特征体素网格对底层场景进行建模，该网格封装了多层次的几何和外观局部信息。特征向量被直接优化，使得在被三次线性内插、由两个浅MLP解码成带符号的距离和辐射值、并经由表面体渲染渲染之后，合成的和观察到的RGB/深度值之间的差异被最小化。我们的监督信号- RGB，深度和近似SDF -可以直接从输入图像中获得，而无需任何融合或后处理。我们制定了一个新的SDF梯度正则化项，鼓励表面平滑和孔洞填充，同时保持高频细节。GO-Surf可以在$15$-$45$分钟内优化$1$ - $2$ K帧序列，与NeuralRGB-D相比，速度提高了$\times60$，这是基于MLP表示的最相关方法，同时在标准基准测试中保持了同等性能。项目页面：https://jingwenwang95.github.io/go_surf/
2022-09-17 cs.CV
SparseNeuS: Fast Generalizable Neural Surface Reconstruction from Sparse Views
The University of Hong Kong（香港大学）；Tencent Games（腾讯游戏）；Texas A&M University（得克萨斯农工大学）
我们介绍了SparseNeuS，一种新的神经渲染为基础的方法，从多视图图像的表面重建的任务。当仅提供稀疏图像作为输入时，该任务变得更加困难，现有的神经重建方法通常会产生不完整或失真的结果。此外，它们无法推广到看不见的新场景，阻碍了它们在实践中的应用。简单地说，SparseNeuS可以推广到新的场景，并且可以很好地处理稀疏图像（只有2或3个）。SparseNeuS采用符号距离函数（SDF）作为曲面表示，通过引入几何编码体，从图像特征中学习可泛化的先验知识，进行曲面预测。此外，引入了几种策略来有效地利用稀疏视图进行高质量的重建，包括：1）多级几何推理框架，以粗到细的方式恢复表面; 2）多尺度颜色混合方案，以实现更可靠的颜色预测; 3）一致性感知微调方案，以控制由遮挡和噪声引起的不一致区域。大量的实验表明，我们的方法不仅优于国家的最先进的方法，但也表现出良好的效率，通用性和灵活性。
2022-08-02 cs.CV
FastMap: Fast Queries Initialization Based Vectorized HD Map Reconstruction Framework
Leapmotor（零跑汽车）
FastMap针对DETR解码器冗余问题，提出单层两阶段Transformer、热图引导查询初始化和几何约束点到线损失，在nuScenes和Argoverse2上以3.2倍解码速度实现最先进的高精地图重建性能。
2025-03-07 cs.AI cs.CV
Novel Consistency Check For Fast Recursive Reconstruction Of Non-Regularly Sampled Video Data
四分之一采样是一种新颖的传感器设计，允许在不增加像素数量的情况下采集更高分辨率的图像。当用于视频数据时，在每帧中测量四个像素中的一个。实际上，这导致非规则的空间-时间子采样。与纯粹的空间或时间子采样相比，这允许提高重建质量，因为可以减少混叠伪影。为了在固定模板的情况下快速重建此类传感器数据，提出了频率选择性重建（FSR）的递归变体。这里，在先前帧中测量的像素被投影到当前帧中以支持其重建。在这样做时，使用模板匹配来计算帧之间的运动。由于一些运动矢量可能是错误的，因此执行适当的一致性检查是重要的。在本文中，我们提出了更快的一致性检查方法，以及一种新的递归FSR，使用不同的投影像素在文献中，可以处理动态掩码。总而言之，我们能够显着提高重建质量+1.01 dB相比，最先进的递归重建方法使用固定的掩模。与单帧重构相比，动态掩模实现了约+1.52dB的平均增益。与此同时，一致性检查的计算复杂度比文献算法降低了13倍。
2022-03-17 cs.CV eess.IV
Spatially Regularized Parametric Map Reconstruction for Fast Magnetic Resonance Fingerprinting
University of Bern（伯尔尼大学）；Bern University Hospital（伯尔尼大学医院）；Institute of Myology（肌学研究所）；CEA（法国原子能与替代能源委员会）
磁共振指纹（MRF）提供了一个独特的概念，同时和快速采集多个定量MR参数。尽管采集效率高，但MRF在临床中的采用受到其基于字典匹配的重建的阻碍，该重建在计算上要求很高并且缺乏可扩展性。在这里，我们提出了一种基于卷积神经网络的重建，它可以准确和快速地重建参数化映射，并且可以根据空间正则化的需求和重建的能力进行调整。我们使用MRF T1-FF（用于水（T1 H2O）和脂肪分数（FF）映射的T1弛豫时间的MRF序列）评估了该方法。我们证明了该方法的性能在一个高度异质性的数据集，包括164例各种神经肌肉疾病的大腿和腿部成像。我们经验性地展示了在重建过程中结合空间正则化的好处，并证明该方法从MR物理学的角度学习有意义的特征。此外，我们调查的方法来处理高度异质性的形态变化和它的泛化训练过程中看不见的解剖区域的能力。所获得的结果优于基于深度学习的MRF重建的最新技术。在50例患者的测试集中，与字典匹配相比，该方法实现了T1 H2O图的归一化均方误差为0.048 $\pm$ 0.011，FF图的归一化均方根误差为0.027 $\pm$ 0.004。结合快速MRF序列，所提出的方法具有在临床可行的时间内实现多参数MR成像的潜力。
2020-08-10 cs.CV eess.IV
AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from Sparse Data
ShanghaiTech University（上海科技大学）；Chinese Academy of Sciences（中国科学院）；Shanghai Institute of Microsystem and Information Technology（上海微系统与信息技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
光声（PA）成像是一种生物医学成像模式，能够在比传统光学成像技术大得多的深度处获取光学吸收的高对比度图像。然而，实际的仪器和几何形状限制了成像目标周围可用的声学传感器的数量，这导致传感器数据的稀疏性。常规的PA图像重建方法在直接应用于稀疏PA数据时会产生严重的伪影。在本文中，我们首先提出采用一种新的信号处理方法，使稀疏PA原始数据更适合神经网络，同时加快图像重建。然后，我们提出了注意力导向网络（AS-Net）的PA重建与多特征融合。AS-Net在不同的数据集上进行了验证，包括来自眼底血管模型的模拟光声数据和来自体内鱼类和小鼠的实验数据。值得注意的是，该方法还能够消除存在于体内数据的基础事实中的一些伪影。结果表明，我们的方法以更快的速度提供了优越的重建。
2021-06-01 cs.CV eess.IV
Fast and accurate sparse-view CBCT reconstruction using meta-learned neural attenuation field and hash-encoding regularization
Radisen Co. Ltd.（Radisen 有限公司）；Seoul National University（首尔国立大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出FACT方法，通过元学习神经衰减场与哈希编码正则化，在少于50个稀疏视角下实现更快更准的CBCT重建，并在多部位多厂商数据上验证其优越性。
2024-01-17 cs.CV eess.IV
SF3D: Stable Fast 3D Mesh Reconstruction with UV-unwrapping and Illumination Disentanglement
Stability AI；UIUC（伊利诺伊大学厄巴纳-香槟分校）
SF3D提出一种0.5秒内从单图重建高质量带纹理3D网格的方法，通过快速UV展开、材质与法线预测及去光照解耦，在网格生成质量和新型光照适应性上超越现有技术。
2024-08-01 cs.CV cs.GR
Fast reconstruction of atomic-scale STEM-EELS images from sparse sampling
University of Toulouse（图卢兹大学）；INP-ENSEEIHT（国立图卢兹应用科学学院ENSEEIHT校区）；ISAE-SUPAERO（法国国立高等航空航天学院）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；Laboratoire de Physique des Solides（固体物理实验室）
讨论了扫描透射电子显微镜（STEM）中部分采样光谱图像的重建，以加速采集。对于许多成像方式，文献中已广泛考虑了图像重建问题，但只有少数尝试处理3D数据，例如通过STEM电子能量损失谱（EELS）获取的光谱图像。此外，在显微镜文献中提出的方法中，有些方法快速但不准确，而另一些方法提供准确的重建，但代价是高计算负担。因此，所提出的重建方法没有一个在精度和计算复杂度方面满足我们的期望。在本文中，我们提出了一种快速，准确的重建方法适用于原子尺度的EELS。这种方法相比，流行的解决方案，如β过程因子分析（BPFA），这是第一次使用的STEM-EELS图像。将进行基于真实合成数据的实验。
2020-02-04 cond-mat.mtrl-sci cs.CV eess.IV
Fast Back-Projection for Non-Line of Sight Reconstruction
Universidad de Zaragoza（萨拉戈萨大学）
最近的工作表明，非视线（NLOS）重建使用的时间分辨信号从多次散射光。这些工作将超快成像系统与计算相结合，将记录的时空信号反向投影，以构建隐藏几何的概率图。不幸的是，这种计算速度很慢，随着成像技术的改进而成为瓶颈。在这项工作中，我们提出了一种新的反投影技术的NLOS重建，这是高达一千倍的速度比以前的工作，几乎没有质量损失。我们基于这样的观察，即隐藏几何概率图可以被构建为由照亮隐藏几何的光和接收来自这样的隐藏几何的散射光的可见点定义的三次反弹时空流形的交叉点。这使得我们能够将隐藏几何的重建作为这些时空流形的体素化，这具有较低的理论复杂度，并且易于在GPU中实现。我们证明了我们的技术的效率和质量与以前的方法相比，在捕获和合成数据
2017-06-20 cs.CV cs.GR
Fast Multi-class Dictionaries Learning with Geometrical Directions in MRI Reconstruction
Xiamen University（厦门大学）；University of Iowa（爱荷华大学）；Xiamen University of Technology（厦门理工学院）
目的：当通过对k空间数据欠采样来加速磁共振成像时，通过快速和多类字典学习来改善重建图像。研究方法：将一种快速正交字典学习方法引入到磁共振图像重建中，以提供图像的自适应稀疏表示。为了增强稀疏性，图像被划分为分类补丁根据相同的几何方向和字典内的每一个类的训练。提出了一种新的基于多类字典的稀疏重建模型，并采用快速交替方向乘子法求解。结果：对加速因子高达10和各种欠采样模式的体模和脑成像数据进行了实验。所提出的方法相比，国家的最先进的磁共振图像重建方法。结论：该方法能更好地抑制伪影，更好地保持图像边缘。此外，该方法的计算速度远远快于典型的K-SVD字典学习方法在磁共振图像重建。重要性：所提出的方法可用于欠采样的磁共振成像，以减少数据采集时间和重建图像具有更好的图像质量。
2015-11-20 cs.CV math.OC physics.med-ph
Fast and robust single particle reconstruction in 3D fluorescence microscopy
ICube - UMR7357, CNRS（法国国家科学研究中心ICube实验室（UMR7357））；University of Strasbourg（斯特拉斯堡大学）；Centriole Lab（中心粒实验室）；Department of Molecular and Cellular Biology, University of Geneva（日内瓦大学分子与细胞生物学系）
单粒子重建技术是近年来在三维荧光显微镜中出现的一种提高轴向分辨率和荧光标记程度的有力技术。它是基于从具有未知姿态的采集多个视图重建生物颗粒的平均体积。目前的方法受到模板偏差、对2D数据的限制、高计算成本或对低荧光标记缺乏鲁棒性的限制。在这项工作中，我们提出了一种专用于3D荧光显微镜中卷积模型的单粒子重建方法，该方法克服了这些问题。我们解决了联合重建和估计的粒子，这转化为一个具有挑战性的非凸优化问题的姿态。我们的方法是基于这个问题的多层次的重新表述，并在每个级别的有效的优化技术的发展。我们在合成数据上证明，我们的方法在分辨率和重建误差方面优于标准方法，同时实现了低计算成本。我们还进行了成功的重建真实数据集的中心粒，以显示我们的方法在具体应用中的潜力。
2023-01-23 cs.CV eess.IV
XPDNet for MRI Reconstruction: an application to the 2020 fastMRI challenge
CEA（法国原子能与替代能源委员会）；Inria（法国国家信息与自动化研究所）；AIM（天体物理、物质科学与仪器实验室）；CNRS（法国国家科学研究中心）；Université Paris-Saclay（巴黎萨克雷大学）；Université Paris Diderot（巴黎第七大学）；Sorbonne Paris Cité（巴黎索邦西岱大学）
我们提出了一种新的神经网络，XPDNet，用于周期性欠采样多线圈数据的MRI重建。我们通过采用MRI重建和计算机视觉的最佳实践来设计该网络。我们表明，该网络可以实现最先进的重建结果，正如其在fastMRI 2020挑战中排名第二所示。
2021-07-07 cs.CV cs.LG eess.IV
Approximate k-space models and Deep Learning for fast photoacoustic reconstruction
University College London（伦敦大学学院）；Centrum Wiskunde & Informatica（荷兰数学与计算机科学研究中心）
我们提出了一个加速迭代重建的框架，使用快速和近似的正演模型，是基于光声层析成像的k-空间方法。近似模型在迭代重建的梯度信息中引入了混叠伪影，但是这些伪影是高度结构化的，并且我们可以训练可以使用近似信息来执行迭代重建的CNN。我们证明了该方法的可行性，在有限的视图几何形状的人体在体测量。所提出的方法是能够产生优越的结果，全变分重建的速度提高了32倍。
2018-07-09 cs.CV cs.LG cs.SD
Fast Sampling generative model for Ultrasound image reconstruction
Tsinghua University（清华大学）
针对超快平面波超声成像中现有方法泛化差、扩散模型采样慢的问题，提出同时结合超声信号数据一致性与数据驱动先验的快速采样框架，单平面波重建效果优于75波复合的传统DAS方法。
2023-12-15 cs.AI cs.CV
