三維場景資料常因缺失結構而不完整。現有方法依賴深度估計器來修復缺失區域，但預測結果可能與觀察到的幾何形狀不一致，或在分佈外資料上不可靠。針對這些問題，來自多個機構的研究人員提出了神經深度場（Neural Depth Field，NDF）。NDF的核心創新在於將深度估計器同時視為場景級隱式場。具體而言，作為估計器，它透過學習觀測深度資料適應目標域；作為隱式場，它擬合現有幾何形狀以保持一致性。這種雙重角色使得NDF只需一次測試時最佳化即可同時解決不一致性和分佈外可靠性問題。
研究者透過大量實驗驗證了NDF的有效性。實驗資料涵蓋從室內掃描到衛星影像等多種型別的場景。結果表明，NDF能生成高保真且全域性一致的幾何形狀。與基線方法相比，NDF將跨檢視不一致性降低了63.3%，修復精度提高了23.1%，在三維場景幾何修復任務中達到了最先進水平。此外，NDF程式碼已在GitHub開源，便於學術界和工業界復現和應用。
這一方法為三維場景補全提供了高效且可靠的解決方案。其核心優勢在於避免了多階段流程，透過統一框架同時處理預測和一致性約束。未來，NDF可望在計算機視覺、人工智慧及機器學習領域推動相關應用，例如增強現實、自動駕駛和三維重建等。