提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

May, 2020

本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

Jun, 2017

该论文提出了一种基于点云的物体表面重建方法，使用编码器 - 解码器网络通过单张图片生成多种视角下的点云，并且使用几何损失函数提高表面拟合准确性。

Nov, 2018

使用基于概率推理的重建框架，探索了基于不同形状表示和适当的学习架构的端到端学习策略，从而实现了从单个图像推断三维形状。通过我们的 Probabilistic Reconstruction Networks，使用基本的体素网格表征，实现了在 ShapeNet 数据集上的新的交集和移动距离评估指标的最新成果。

Aug, 2019

本文的研究目的是从单个图像中推断出物体的三维形状，为了实现这一目标，本文使用雕塑作为实验数据集，并基于多视角几何（MVG）的成功经验，提出了一种新的损失函数，利用图像与图像之间的对应关系训练深度网络，完成端到端的单张图像深度估计任务。同时，为了自动地生成大规模的多视图对应数据集，本文提出了一种数据处理方法。在多种雕塑的数据集上的实验表明，本方法可以从单张图像中推断出新物体的三维形状，并且在测试时可以泛化到新的领域（如合成图像）中。

Sep, 2018

本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

Nov, 2017

该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

Nov, 2021

本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法，并提出了一种点变换器，该变换器通过使用图卷积逐渐增加网络规模。实验结果表明，该网络能够学习和模仿三维数据分布，并产生具有多种分辨率和精细细节的彩色点云。

Oct, 2020

本文提出了一种机制，可以在只有一张输入图片的情况下重建物体的部分标注 3D 点云，该机制采用联合训练的方式，同时针对重建和分割任务进行训练，通过引入一种位置感知分割损失函数，在训练过程中相互传递信息以帮助彼此，这种方法在 ShapeNet 数据集上得到了良好的效果，提高了重建和分割的精度。

Sep, 2018

本文提出了一种卷积网络，可以仅仅基于单张图像预测出物体的 RGB 图和深度图，并将多幅深度图融合成完整点云后可转换成表面网格来对任意视野下的三维物体进行识别。网络通过合成的三维车和椅子模型进行训练，在有杂乱背景并搭配真实车辆图像的情况下，仍可生成合理的推测。

Nov, 2015