使用深度神经网络从立体腹腔镜图像重建三维点集
本文提出了一个新颖的 LapSeg3D 基于深度学习的方法，用于手术场景的语义分割。通过针对胆囊进行半自动聚类标注管道生成标签，该方法可用于手术场景的自动化任务，其在不同数据集上测试胆囊分割的准确率（F1 score）达到了 0.94，且可适用于不同的 RGB-D 相机系统。
Jul, 2022
使用基于深度学习的自监督学习方法，提出一种无需真实深度信息，使用深度估计器和可微的空间变换器的，适用于手术场景深度估计的深度学习框架。
May, 2017
使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。
Dec, 2016
基于医生实践指导的立体视觉和机器学习方法，该研究提出一种用于图像引导手术的新型人工智能辅助的腹腔镜测量方法，通过在实验环境中的评估，得到高精度的距离测量，并在具有无纹理区域的挑战性环境中表现出稳健性，为术中和术后测量提供了更精确、安全和高效的解决方案的基础。
Nov, 2023
本文提出使用深度神经网络来将 2D 视频和图像自动转换为立体 3D 格式，并通过基于立体对从 3D 电影中提取获得的数据进行端到端的训练，使得性能得到了明显提高，此方法名为 Deep3D。
Apr, 2016
本篇综述文章总结了基于深度学习技术的图像三维重建方法，以形状表示、网络结构和训练机制为基础，介绍了近期该领域的研究进展和性能比较，并探讨未来研究的方向。
Jun, 2019
本文提出了一种使用深度学习技术进行 3D 面部重建的新方法，其中使用了混合损失函数进行弱监督学习，同时利用多个图像进行面部重建，实现了快速、准确、鲁棒的重建效果，对不同数据集进行了综合实验，并与 15 种现有方法进行了比较，证明了其性能处于领先地位。
Mar, 2019
提出了一种高效的自动头部 CT 图像三维重建方法，使用基于深度学习的目标检测算法自动重新格式化图像，并通过定性评估标准化重建结果展示了该方法的临床实用性和有效性。
Jul, 2023
本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法，可以通过单张照片快速、稳健地重建面部的三维几何结构，即使在极端表情和各种光照条件下也可以成功恢复面部形状。
Sep, 2016