3D-PRNN: 使用循环神经网络生成形状基元
使用深度学习方法，构建一个名为3D-R2N2的递归神经网络结构，使用大量的合成数据将图像映射到对应的3D形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的3D重建，并在单视图重建方面优于现有的最先进方法。
Apr, 2016
本文提出了一种称之为“PrGANs”的方法，能够在无监督学习的情况下，训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型，并能够实现从输入图像中预测三维形状和视点，并生成新视图的功能。
Dec, 2016
该研究提出了一种基于自下而上的识别系统和结构符号化程序的3D形状程序，通过自监督方式对3D形状程序进行学习，具有在不同领域中高精度的3D形状重建能力，结合图像到3D形状模块，能够实现从RGB图像直接推断出3D形状程序并重建出更加准确和真实的3D形状。
Jan, 2019
通过projective generative adversarial network（PrGAN）模型，我们可以在无监督学习的情况下，从提供的二维视图中推断出三维形状的概率分布，包括形状、视角和新的视图。
Jun, 2019
StructureNet是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的3D形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。
Aug, 2019
本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。
Oct, 2019
提出了一种新的三维形状表示方法，用于从单个图像中重建三维形状。通过训练神经网络生成训练集，再利用元学习方法进行双层优化，建立了三维形状分析和少样本学习之间的联系。该方法结合了训练数据生成网络与双层优化算法，可以联合训练，提高了三维形状重建的标准基准上的性能。
Oct, 2020
本研究介绍了一种新的三维基元表示方法 Neural Parts，该方法使用可逆神经网络定义基元，并通过学习将三维对象解析为语义一致的部件排列，有效地抽象了三维形状并实现了精确的重建。
Mar, 2021