从单张开放域图像估计深度、法线和相机参数的几何模型，CVPR'25 Oral 工作，可用于单目三维重建与场景理解。

把生成模型里隐含的 3D 先验知识迁移到场景理解任务上，让视觉语言模型在空间推理时更懂三维结构。

面向水下场景理解的大型多模态模型，能同时处理水下图像与文本，完成描述、问答等视觉语言任务，填补水下环境多模态研究的空白。

Matterport3D 是一个面向 RGB-D 机器学习任务的大规模室内场景数据集，提供带标注的 3D 重建与语义理解数据，适合训练和评测场景重建模型。

一套 Python/C++ 混合的视觉 SLAM 流水线，支持单目、双目和 RGB-D 相机，集成多种特征提取、回环检测、深度预测与语义分割，用于三维重建和场景理解。

统一模型，从单目视频中同时重建动态人体与三维场景，输出带时间维度的4D结果，可用于人体姿态估计与场景理解。

用自然语言对话就能定位和操作 NeRF 三维场景中的物体，把 ChatGPT 和 BLIP2 接进 NeRFStudio，省去手动标注的麻烦。