利用体素表示法和像素表示法，使用卷积神经网络进行 3D 目标识别。使用新的 V-CNN 架构将两种表示法相结合，获得显著更好的分类器。

Jul, 2016

本文概述了 3D 生成方法和 3D 感知图像合成的算法和表示方法的发展，并探讨了面临的困难和挑战。

Oct, 2022

本文提出了一种新颖的框架，即 3D 生成对抗网络（3D-GAN），通过利用体积卷积网络和生成对抗网络的最新进展，从概率空间生成 3D 对象，并具有生成高质量 3D 对象、无先验 CAD 模型或图像依赖性、生成器从低维概率空间到 3D 空间的映射以及训练出的无监督深度学习的 3D 描述符等优点，在 3D 对象生成及识别等方面取得了令人印象深刻的性能。

Oct, 2016

使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

Jun, 2014

通过提出一种新的全卷积体积自动编码器，有效实现了从嘈杂的 3D 数据中提取体积表示，并在噪声去除和形状完成等多个任务上超越了以往的技术，同时在分类和形状插值方面也得到了不错的结果。

Apr, 2016

本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

Mar, 2020

本论文提出了一种基于网格表面的谱卷积模型，该模型能够更好地捕捉面部的非线性变形和表情，使用少量数据训练即能有效地重建三维面部模型。

Jul, 2018

本文提出了一种基于多层体素网格的端到端多级学习方法来解决现有 3D 目标识别中结构化和非结构化数据表示的缺陷，结果表明该方法在节约内存的同时能够实现与密集体素表示相当的目标识别性能。

May, 2018

通过结合深度卷积神经网络体系结构和自编码器，从深度图中隐含学习 3D 几何特征，大大提高了新方法的重建准确度，并使其适用于实时应用。

Aug, 2018

本文介绍了一种名为 TL 嵌入网络的神经网络结构，它可生成新的 3D 物体并从 2D 图像中预测，旨在获得一个既具有生成性，又具有可预测性的嵌入空间，该嵌入空间可用于多个任务，包括从 2D 图像预测体素和 3D 模型检索。

Mar, 2016