多视角深度体积预测的三维速写
一种从 2D 线描图中重建三维形状的方法，采用深度编码器 - 解码器网络将线描图转换为点云，通过多视角深度图和法线图的融合优化得到点云，在维持拓补和形状结构的同时比容积网络具有更高的重建精度和输出表面分辨率。
Jul, 2017
AR/VR 发展迅速，对 3D 内容需求巨大。本研究提出一种基于手绘草图的 3D 建模方法，使用单个手绘草图生成高保真内容，无需多个视图或步骤。采用端到端方法，引入轻量级生成网络和结构感知对抗训练，并通过 Stroke Enhancement Module（SEM）捕捉结构信息，提升性能。实验证明该方法在合成和真实数据集上具有最先进的性能。
Sep, 2023
该研究提出了一个基于 Siamese 卷积神经网络的方法，将一个 2D 的手绘草图转换为一个 3D 模型，并相比其他先进方法取得了更好的效果。
Apr, 2015
本研究提出了一种基于深度学习的素描系统用于 3D 人脸和漫画建模，它具有省力且自由的手绘界面，并支持基于手势的用户交互。
Jun, 2017
该研究旨在探索利用虚拟现实草图作为 3D 模型生成网络的条件模态之一，通过使用多模态 3D 形状表示和实现物理合理性的方法，在模型训练过程中采用特定的损失函数以生成遵循输入草图结构的多个 3D 模型的问题。
Jun, 2023
本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。
May, 2015
本文提出了基于观点控制生成的方法，旨在解决单个手绘素描生成三维网格的问题，从而帮助初学者快速地进行三维建模。实验表明，该方法可以有效地提高重建质量，并帮助解决手绘素描的模糊问题。
May, 2021
3DVNet 是一种结合了先前基于深度和体积的 MVS 方法优点的新型多视图立体 (multi-view stereo) 深度预测方法，使用基于体积的三维卷积神经网络来对所有深度图进行操作，并能够学习有意义的场景级先验知识，其在深度预测和 3D 重建度量上均超越了现有技术，证明该方法在新的环境下具有很好的效果和通用性。
Dec, 2021
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