本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建 3D 形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在 3D 语义分割中的应用。

Mar, 2018

使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

Dec, 2016

本文提出了一种名为 DeFormer 的新型双通道 Transformer 架构，通过参数化的可变形模型同时估计原语的全局和局部变形，以实现复杂对象形状的抽象化，在使用较少的原语的同时提供更广泛的几何覆盖范围和更精细的细节，并引入了力驱动的动态拟合和循环一致的投影损失来优化原语参数，在 ShapeNet 上的广泛实验表明，DeFormer 在重建准确性方面优于现有技术，并且通过一致的语义对应关系实现了可解释性的提升。

Sep, 2023

该研究提出了一种基于 SDFNet 的创新方法，可以通过仅仅一张图像实现对物体的三维形状进行准确预测，相对于 GenRe 和 OccNet 方法来说，该方法在对已知和未知物体的形状重建方面实现了最优性能。

Jun, 2020

DTF-Net 是一种基于物体类别的隐性神经场方法，通过设计可变形模板场、姿态回归模块和多模态表示提取模块，实现了场景中物体的姿态估计和形状重建，并通过 REAL275 和 CAMERA25 数据集的实验证明了其在综合环境下的出色性能以及对机械臂抓取任务的有效支持。

Aug, 2023

使用图卷积网络从多角度图像中预测一系列形状变形，以进一步提高 3D 网格表征的形状质量，从而获得高精确度、高可靠性且具有普适性的 3D 模型。

Aug, 2019

本论文提出用深度学习的方法，引入形状变形网络，同时编码 3D 形状和相应关系，通过将表面表示因子化为模板和学习的全局特征向量相结合，来匹配可变形的形状。

Jun, 2018

该论文提出了一种新的框架，利用深度神经网络和 Hierarchical Mesh Deformation 技术综合使用人体关节、轮廓和像素的着色信息，从而在单张图片中精确恢复人体形状。实验证明，我们的方法在 2D IoU 计算和 3D 距离计算的准确度上都优于现有的其他方法。

Apr, 2019

该论文提出了一种基于深度学习的单视图网格重建框架，能够从单个 0 维模板网格生成具有复杂拓扑结构的高质量网格，其关键在于交替使用网格变形和拓扑修改两个网络。

Sep, 2019

我们提出了 3Deformer，这是一个用于交互式三维形状编辑的通用框架。通过利用语义图像对源网格进行形状引导，同时尽可能保持源拓扑结构的刚性，3Deformer 能够精确编辑源网格。我们的方法不需要高成本的三维训练数据集，只需利用易得的语义图像作为监督，并且可以在各种不受数据集限制的对象上进行编辑。通过引入分层优化架构和各种策略和损失函数，我们克服了使用简单的二维图像对复杂三维形状进行引导所带来的挑战，从而提高了准确性、平滑度和刚性。大量实验证明，我们的 3Deformer 能够产生令人印象深刻的结果，并达到了最先进水平。

Jul, 2023