利用对称和曼哈顿性质从单张和多张图像中获取 3D 物体结构估计
本文针对多个视角下同一对象类别的多张图像中的对称性进行了研究，提出了两种利用对称性约束的非刚性运动结构算法，并在 Pascal3D+ 数据集上验证了其性能。
Sep, 2016
本文提出了一种无需外部监督学习从单视角图像中学习三维可变形物体类别的方法，该方法基于自编码器，将每个输入图像分解为深度、漫反射、观察角度和光照，通过利用物体对称结构来分解这些组件，推理光照使我们能够利用底层的物体对称性，即使外观不对称，而是由于阴影造成的。此外，我们通过预测对称概率地图来建模可能但不一定对称的对象，该地图与模型的其他组件一起端到端地学习。我们的实验表明，这种方法可以从单视角图像中非常准确地恢复人类脸部、猫脸和汽车的三维形状，而不需要任何监督或先前的形状模型。与使用 2D 图像对应的监督方法相比，在基准测试中，我们表现出优越的准确性。
Nov, 2019
该论文提出了一种从单个图像中获取紧凑且精确的 3D 线框表示的方法，通过有效地利用全局结构规律，该方法训练卷积神经网络以同时检测显著的交叉点和直线，并预测它们的 3D 深度和消失点，并通过平行结构先验进一步重构完整的 3D 线框模型。
May, 2019
通过利用图像中重复的对象，本研究提出了一种从单个图像中重建几何、材料和照明的逆向图形框架，以及一种用于联合估计物体姿态的旋转鲁棒型亚像素结构移动（SfM）形式，从而生成比现有模型更逼真和详细的 3D 重建。
Jan, 2024
该论文提出了一种新的方法，使用二维卷积递归回归方案，通过对高度维度的切片来处理 3D 数据，并设计了一种估计平面对称性的方法，既可以处理完整的数据，也可以处理真实世界的部分扫描数据，以提高三维物体探测器的输出。
Jun, 2021
该研究提出了一种从单个 RGB 图像中恢复三维形状结构的方法，包括由立方体表示的形状部件和涵盖连通性和对称性的部件关系，并通过卷积递归自编码器实现编码解码过程，最终通过对立体多边形层次结构的恢复实现了对单个视角二维图像的恢复。
Apr, 2018
本文研究了对象的对称性与其在图像中的出现之间的联系，并提出了一种基于姿态旋转归一化的简单有效的解决方案，并在 T-Less 数据集上验证了该方法。
Aug, 2019
本研究利用直接坐标回归和面向数据的方法，通过引入拟曼哈顿约束条件实现了全屋布局的单次估计，并且提出了几何热图和边界感知质心计算等技术，进行了高质量关键点估计。
Feb, 2021
利用三维表面几何约束以及反射对称性，从单个二维图像中恢复三维网格，相对于现有的 2D 和 2.5D 数据的三维重建方法，实现了更好的细节保留和性能表现。
Dec, 2019