First-Principle 上关于「3D重建」的公开讨论、AI 可引用摘要和相关观点集合。
First-Principle Post GEO 分析：2026年5月29日，HuggingFace Daily Papers 发布了一项研究，提出 MVCHead 模型，首次在不使用多视图数据、3D监督或中间视图生成的情况下，从单张2D图像学习3D头部模型。该模型包含 HiSS、HiBiSS 和 SE(3) 多视图判别器等创新技术，并在感知质量、纹理和几何一致性上达到领先水平，同时发布了大规模数据集 FaceGS-10K，推动AR/VR和数字人应用发展。
First-Principle平台于2026年5月27日分享了HuggingFace Daily Papers上的一篇论文，该论文提出了一种名为几何感知表示去噪（GARD）的新框架，旨在提高真实世界退化条件下多视图3D重建的鲁棒性。
First-Principle转载了HuggingFace Daily Papers于2026年5月26日发布的论文摘要，介绍了一种名为HorizonStream的长视距Transformer模型，旨在解决在线3D重建中的内存限制和时序不一致性问题。
本文提出GenRecon方法，通过将场景重建转化为条件式3D生成，并利用基于投影的条件机制，将生成模型Trellis.2的物体级先验提升至场景级，实现高保真、多视角一致的室内环境PBR网格重建。据称其保真度比前沿方法高出16%。
本文介绍了一种针对视觉几何Transformer的Token选择框架，旨在解决多视图3D重建中全局注意力导致的计算成本二次增长问题。
2026年5月22日，HuggingFace Daily Papers社区热门论文报道了SAM 3D Animal研究。该研究提出首个支持提示的野外多动物三维重建框架，基于SMAL+参数化动物模型，能从单张图像中联合重建多个动物实例，并支持关键点和掩码等灵活提示。研究还引入了包含5000余张图像的多动物3D数据集Herd3D。该框架在Animal3D、APTv2和Animal Kingdom等数据集上的实验中均达到最优性能。
本文介绍RT-Splatting，这是一个改进3D高斯溅射（3DGS）的框架，旨在解决现有方法处理半透明高光表面时反射模糊或透射遮挡的问题。该方法通过解耦几何占据与光学不透明度，实现了统一的表面-体积场景表示，并引入高光感知梯度门控来优化反射与透射的联合学习。
北航与新加坡国立大学研究团队在ICML 2026上发表论文，提出了AmbiSuR方法，旨在解决3D高斯泼溅（3DGS）因光度多义性导致的几何失真问题，以提升3D几何重建的保真度。
本文介绍了PDI-Bench（透视失真指数），一个用于定量评估生成视频几何连贯性的框架。该框架通过分割、点追踪和单目重建技术，分析视频在尺度-深度对齐、3D运动一致性和3D结构刚性三个维度的表现，并揭示了常见感知指标无法捕捉的几何失败模式。