희박 뷰 3D 재구성은 로봇공학, 증강/가상 현실(AR/VR) 및 자율 시스템과 같이 밀집 이미지 수집이 비실용적인 응용 분야에 필수적입니다. 이러한 설정에서는 최소한의 이미지 중첩이 신뢰할 수 있는 대응 매칭을 방해하여 전통적인 방법, 예를 들어 구조에서 동작으로(SfM) 및 다중 뷰 스테레오(MVS)가 실패하게 만듭니다. 이 조사에서는 신경 임플리시트 모델(예: NeRF 및 그 정규화 버전), 명시적 포인트 클라우드 기반 접근 방식(예: 3D 가우시안 스플래팅) 및 확산 및 비전 기초 모델(VFM)로부터 사전 정보를 활용하는 혼합 프레임워크의 최신 발전을 검토합니다. 우리는 기하학적 정규화, 명시적 형태 모델링 및 생성적 추론이 희박 뷰 환경에서 부유물이나 자세 불확실성과 같은 인공물을 완화하는 데 어떻게 사용되는지를 분석합니다. 표준 벤치마크에 대한 비교 결과는 재구성 정확성, 효율성 및 일반화 간의 주요 트레이드 오프를 드러냅니다. 이전 리뷰와는 달리, 우리의 조사는 기하학 기반, 신경 임플리시트 및 생성적(확산 기반) 방법에 대한 통합된 관점을 제공합니다. 우리는 도메인 일반화 및 자세 자유 재구성에서 지속적인 도전을 강조하고, 3D 네이티브 생성 사전 개발과 실시간 비제한 희박 뷰 재구성을 달성하기 위한 미래 방향을 개략적으로 설명합니다.
Younis et al. (화,)는 이 문제를 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: