该篇论文提出一种无需直接监督的学习单视角形状和姿态预测的框架，通过利用未知姿态的多视角观察信号进行训练，并在训练中在同一实例的两个视图之间强制实施几何一致性来独立预测形状和姿态，从而学习在新出现的标准框架中预测形状和相应的姿态预测器。在使用 ShapeNet 数据集时，取得了与先前依赖更强监督形式的技术相当的鼓舞人心的竞争成绩。此外，还展示了该框架在现实环境中的适用性，该环境超出了现有技术范畴：使用由在线产品图像组成的训练数据集，在这些数据集内，底层的形状和姿态是未知的。

Jan, 2018

本文研究了连续三维形状表示的问题，提出了一种名为 RayDF 的新框架，包括简单的光线 - 表面距离场、新颖的双光线可见性分类器和多视图一致性优化模块，通过在三个公共数据集上的广泛评估，证明了该方法在合成和真实的三维场景中对三维表面点重建的显著性能，超越了现有的基于坐标和基于光线的基准，特别地，在渲染 800x800 深度图像时，与基于坐标的方法相比，我们的方法速度提高了 1000 倍，展示了其在三维形状表示中的优越性。

Oct, 2023

我们提出了一种自监督的，单视图三维重建模型，通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势，该方法不需要三维监督，手动注释的关键点，物体的多视图图像或先前的 3D 模板，通过自监督地学习分类特定图像的部分分割，我们可以在重建网格与原始图像之间有效强制实现语义一致性，从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义，并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。

Mar, 2020

提出了一种基于学习的多视点立体感知方法，可以在宽基线 MVS 环境下学习深度预测并通过稳健的损失函数处理遮挡和光照等问题。该方法不需要使用三维监督数据进行训练，并且可以通过无监督的微调实现对新数据集的适应。

May, 2019

本文提出了一种新方法，通过使用点光源的移动手持捕捉系统，联合恢复无法被固定采集设备捕获的超物体尺度的三维场景的相机姿势，对象几何和空间变化双向反射分布函数，并引入分布式优化算法进行重构

Jun, 2023

本文提出了一种单视图重建方法 ——UNICORN，通过利用不同物体实例之间的一致性来避免使用视角注释，模板形状或对称性的监督和假设。该方法能够从大量未标记图像中学习，并通过渐进式的条件训练和邻居重建得到更好的结果。

Apr, 2022

本文提出一种基于图像的形状生成新视角，采用基于深度学习方法的多个视角重建任务，引入了条件生成网络对单观察结果的不确定性进行建模，并使用不同 iable guidance 限制实现了多视角合成。实验结果表明，该方法在 3D 重建测试误差方面优于最先进的方法，证明了其在真实数据上的泛化能力。

Apr, 2019

本文提出一种从多个 RGB-D 视图中进行对象类语义分割的新方法，使用深度学习训练神经网络进行预测，同时借助于 RGB-D 的 SLAM 获取摄像机轨迹，实现多视图一致性训练和测试。实验结果表明，与单视图基准线相比，深度特征池化和多视角融合可以在 NYUDv2 数据集上实现单视图语义分割和多视图语义融合的最新性能。

Mar, 2017

通过利用生成模型，将零样本新视点合成问题分为两个阶段，即将观察到的区域转化为新视图和对未见过的区域进行幻觉。为了解决 3D 一致性问题，本文提出了一种具有几何约束的极线引导注意力和多视图注意力的场景表示方法。通过多个数据集的定性和定量评估，证明了所提出机制在效果上优于现有方法。

Oct, 2023

本文提出了一种基于弱监督学习的单目 3D 物体检测方法，该方法只使用图像上标记的 2D 标签进行模型训练，并探索了投影、多视图和方向这三种不同类型的一致性约束以及设计了一种新的 2D 方向标记方法用于准确的旋转方向预测。实验证明，该方法在一些完全监督方法上具有可比较的性能，并且当用作预训练方法时，仅使用 1 / 3 3D 标签就可以显着优于对应的完全监督基线。

Mar, 2023