三维场景数据常因缺失结构而不完整。现有方法依赖深度估计器来修复缺失区域，但预测结果可能与观察到的几何形状不一致，或在分布外数据上不可靠。针对这些问题，来自多个机构的研究人员提出了神经深度场（Neural Depth Field，NDF）。NDF的核心创新在于将深度估计器同时视为场景级隐式场。具体而言，作为估计器，它通过学习观测深度数据适应目标域；作为隐式场，它拟合现有几何形状以保持一致性。这种双重角色使得NDF只需一次测试时优化即可同时解决不一致性和分布外可靠性问题。
研究者通过大量实验验证了NDF的有效性。实验数据涵盖从室内扫描到卫星图像等多种类型的场景。结果表明，NDF能生成高保真且全局一致的几何形状。与基线方法相比，NDF将跨视图不一致性降低了63.3%，修复精度提高了23.1%，在三维场景几何修复任务中达到了最先进水平。此外，NDF代码已在GitHub开源，便于学术界和工业界复现和应用。
这一方法为三维场景补全提供了高效且可靠的解决方案。其核心优势在于避免了多阶段流程，通过统一框架同时处理预测和一致性约束。未来，NDF可望在计算机视觉、人工智能及机器学习领域推动相关应用，例如增强现实、自动驾驶和三维重建等。