随着信息技术的高速发展，室内导航、家居设计和增强现实的需求日益增长，场景的重建和理解已经成为计算机视觉和计算机图形学中一个很活跃的话题。如今的重建方法大都依赖于较为理想的环境，在光线较弱和视角稀疏的现实情况下存在着很多问题与挑战。本文围绕着如何在弱光照条件以及稀疏视角的情况下重建与理解现实场景展开研究，其主要工作和创新点如下。
　　(1)设计了一套简易偏振系统用于图像的增强。为了应对彩色图拍摄质量不佳的情况，主要是在低曝光、弱光照条件下，设计搭建了一个2×2的偏振成像系统，利用场景中所含的偏振信息对图像进行增强，以达到图像从低质量到高质量的重建目的。
　　(2)提出了IterNetRGB-D室内场景数据集。相比于其它公开室内场景数据集，IterNetRGB-D数据集中的图片分辨率更高，语义分割标定粒度更细，深度范围更大，场景更加丰富。
　　(3)设计了一个新颖的迭代优化框架(IterNet)去做图像的深度估计与语义分割。深度估计与语义分割都是计算机视觉中的基础任务，二者相辅相成，现如今的方法更侧重于对每个任务单独去做，或者用其中之一作为辅助去提高另一个的精度。IterNet将深度估计和语义分割二者有机结合，通过迭代优化框架，逐步去提高解析的精确度。无论是在公开的数据集还是IterNetRGB-D数据集上，本文提出的迭代优化方法都表现出优异的性能，超过了当下比较流行的方法。
　　(4)提出了全局和局部联合配准的方法去融合不同稀疏视角下得到的结果。一般的配准方法对重叠度和深度误差要求比较严格，在稀疏视角情况下配准后的结果往往不尽如人意。本文提出的配准方法是从粗糙逐步走向精细化的过程，它对稀疏视角和单目深度估计的误差具有很强的鲁棒性。在公开数据集和IterNetRGB-D数据集上的实验验证了所提方法的可靠性。