本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

Nov, 2018

通过结合深度卷积神经网络体系结构和自编码器，从深度图中隐含学习 3D 几何特征，大大提高了新方法的重建准确度，并使其适用于实时应用。

Aug, 2018

本篇论文的目标是比较基于表面和基于体积的 3D 对象形状表示，以及基于观察者和基于对象的参照框架，在单视角 3D 形状预测中的表现。我们提出了一种新算法，可以从多个视角预测深度图，以单个深度或 RGB 图像为输入，并修改了网络和模型评估方式，以直接比较表面和体素、观察者和对象中心对熟悉和不熟悉对象的预测表现。我们发现，基于表面的方法优于基于体素的方法，对来自新类的对象产生更高分辨率的输出。基于观察者中心的坐标有助于处理新对象，而基于对象中心的表示法更适合处理熟悉的对象。值得注意的是，坐标框架对学习的形状表示有显著影响，基于对象中心的表示法更加重视隐式地识别对象类别，而基于观察者中心则对类别识别的依赖较少。

Apr, 2018

通过利用内在分解指导、瞬态 - 单模先验指导和视图增强来解决光照不一致、几何不对齐和视图稀疏等问题，我们提出了一种新的 3D 重构框架，该框架能够将多视图图像生成与神经网络基于体积有符号距离函数的单一图像到 3D 对象重建相结合。在各种数据集上评估我们的方法，并在定量和定性评估中展示了其卓越性能，从而在 3D 物体重建方面取得了显著的进展。与最新的最先进方法 Syncdreamer 相比，我们将 Chamfer 距离误差降低了约 36％，将 PSNR 提高了约 30％。

Jan, 2024

通过 3D-RecGAN ++，使用生成对抗网络从单个任意深度视图重建给定对象的完整三维结构，诸如多视图的对象或类标签，仅使用深度视图的体素网格表示作为输入，充分利用了自动编码器和条件生成式对抗网络框架的生成能力，在高维体素空间中推断对象的准确和细粒度的三维结构，并在合成和真实数据集上得到了验证。

Feb, 2018

本文介绍了一种全卷积深度学习网络和新的损失函数 SilNet，可处理多视角的三维形状，并通过利用预测二维轮廓代替直接从二维图像到三维形状的映射，实现了对对象数量的有效推广以及性能的进一步提升。同时，作者还介绍了一个用于预训练的斑点图像数据集和一个具有挑战性和现实主义的雕塑数据集，并在这些数据集上证明，SilNet 确实学习了三维形状，并超越了 ShapeNet 数据集上的现有方法。

Nov, 2017

本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

Jun, 2017

该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

Apr, 2020

本文的研究目的是从单个图像中推断出物体的三维形状，为了实现这一目标，本文使用雕塑作为实验数据集，并基于多视角几何（MVG）的成功经验，提出了一种新的损失函数，利用图像与图像之间的对应关系训练深度网络，完成端到端的单张图像深度估计任务。同时，为了自动地生成大规模的多视图对应数据集，本文提出了一种数据处理方法。在多种雕塑的数据集上的实验表明，本方法可以从单张图像中推断出新物体的三维形状，并且在测试时可以泛化到新的领域（如合成图像）中。

Sep, 2018

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