近年来，神经隐式表面重建方法已成为多视图三维重建的热门技术。然而，现有的方法存在一些缺点，主要表现在训练时间较长，其主要原因有两个：首先，相机与物体表面之间存在大量空旷区域，而这些区域的信息对最终的重建质量贡献较低；其次，每个射线样本都需要通过庞大的多层感知器(MLP)进行查询，这导致训练时计算负担过重，影响效率。此外，在进行三维重建时，由于缺乏几何约束，导致重建结果不够理想。为了解决这些问题，提出了FM-NeuS算法：在射线行进时，使用跳过空区域和在遮挡区域终止射线的策略，以减少每条射线上采样点的数量，从而加速模型的训练；采用融合多分辨率哈希编码的轻量型MLP,加快采样点的查询效率，减少训练时间，并提升重建物体的表面细节；利用单目先验知识约束表面几何，以提高重建质量。大量的实验证明，该方法能够产生高质量的表面，并且其训练速度比NeuS快20倍。