基于消费级深度相机的实时三维重建技术包括深度相机逐帧捕捉数据、相机姿态实时估计、融合体模型提取面模型、前景分割等步骤,在重建过程中,往往会出现噪声、冗余和帧间不匹配等问题。论文详细描述了从深度相机捕捉数据到最终三维模型的建立过程中,对重建三维模型精度与质量进行提升的三种方式,分别是帧块的自适应处理,TSDF的精细化处理以及基于平面检测的前景分割。在深度相机的拍摄过程中,由于相机剧烈抖动或光线变化等问题,往往会在相机位姿估计阶段使得当前帧与前几帧出现无法匹配的问题,导致当前帧位姿无效,这些帧往往会被抛弃,不参与融合与提取,导致最终生成的模型有空洞或者不清晰进而影响重建模型的质量。论文设计了自适应帧块处理的方法,采用局部动态分块的方式,减少了不匹配帧的数量,填补了模型空洞,提高了模型质量与清晰度。目前大部分三维重建技术中融合与提取阶段的操作往往采用GPU端的并行操作实现以保证其速度,但由于GPU显存受限,在扫描大规模场景时,无法完成体素边长的精度提升,然而体素边长又是决定重建模型精度最重要的指标。论文设计了 TSDF的精细化处理的方法,将融合与提取的全过程在CPU端实现,实现了体素边长的精度提升（由lcm缩短为0.25cm）,有效提高了模型的精度。由于受深度相机的广视角的影响,在拍摄过程中往往会捕捉到前景区域之外的无效数据,既影响重建模型的质量又消耗大量内存空间。论文提出了基于平面检测的前景分割方法,追踪了前景区域与背景区域的分界平面,实现了前景和背景的分割,只保留了前景区域内包含的模型。实验和测试表明,改进后的三维建模质量较改进前的三维建模质量有明显提升,提高了重建模型的精度与质量。