该研究将形状匹配视为度量学习，使用卷积神经网络进行实现，在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化，基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务，对象类别或领域学习不同的方法不同，该方法在所有实验中使用相同的网络，取得了最先进的结果。

Sep, 2017

This paper explores the use of pre-trained models and synthetic renderings to generate 3D shapes from sketches without the need for paired datasets, demonstrating the effectiveness of the approach for generating multiple 3D shapes per input sketch regardless of their level of abstraction.

Jul, 2023

最近的深度学习研究主要受制于使用基于越来越大数据集训练的大型模型。然而，对广泛数据集的需求增加引发了一些担忧。针对此问题，新的研究方向出现了，专注于创建合成数据以替代真实数据。在本研究中，我们调查了神经网络在合成数据集上训练时展示的形状偏差，作为合成数据质量的一个指标。具体而言，我们的发现有三个关键点：（1）形状偏差在不同的网络架构和监督类型之间存在差异，对其作为泛化的预测因素以及解释模型识别与人类能力差异的能力产生了怀疑。（2）仅依靠形状偏差来估计泛化是不可靠的，因为它与多样性和自然性纠缠在一起。（3）我们提出了一种将形状偏差解释为估计数据集中样本多样性的工具的新方法。我们的研究旨在阐明在深度学习中使用合成数据及其相关形状偏差的影响，解决有关泛化和数据集质量的担忧。

Nov, 2023

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

该研究提出了一种新的框架，可以在只有 2D 图像且每个实例只有一个视角的情况下，从单张图像中进行特定类别的三维重建和新形状的生成，并支持较弱的监督。采用网格作为输出表达方式，利用光照参数和明暗信息进行训练，支持对洼地的物体类别进行学习。通过五项应用评估，发现该方法的性能表现优于现有的一些方法。

Jan, 2019

基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析，验证了其适用于以真实 3D 网格形状为基础的合成解剖形状，并且可以进一步增加变异性并保留更多生成形状的细节。

Mar, 2024

通过利用先前训练好的生成模型，通过领域自适应的方式，基于有限数量的训练数据从而实现了少样本 3D 形状生成，该方法能够在保持多样性的同时避免过度拟合，并通过多种度量评估了生成的质量和多样性。

May, 2023

通过引入具有扩张卷积的鉴别器以及多尺度感知损失，不仅可以更好地表示物体的形状误差，同时还可以更好地表示在具有挑战性的玩具数据集中的形状变形，以及在人类、娃娃和动漫面孔，以及猫和狗之间存在显着数据集变化的复杂映射中。

Aug, 2018

本研究提出了一种基于阴影引导的生成式隐式模型，该模型利用多角度光照约束对 3D 物体进行建模，使得在不同光照条件下产生逼真的渲染效果，从而改善先前方法在表达精确 3D 形状方面的局限性，并成功应用于图像重照和 3D 形状重建任务。

Oct, 2021