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

本论文提出了一种新的深度学习模型DeformNet，利用自由形变层和形状检索来实现从单张图片中进行3D重建，相较于其他现有方法有更好的表现。

Aug, 2017

本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

Nov, 2017

论文提出了一种统一框架，用于解决单幅图像特定类别的3D重建和新3D形状生成的问题。该方法支持弱监督学习，只需要单个实例的2D图像，使用网格作为输出表示，并利用光照信息提高了性能。实验结果表明，该方法在定量度量上与最新的基于体素方法相当或优于，而且结果更加美观，并且在弱监督学习方面表现良好。

Jul, 2018

本文提出了一种新颖的深度学习方法，通过两个步骤（特征融合和形变）将随机点云变形成对象形状，从而重建单张图像的点云。通过引入一个新层GraphX，考虑点之间的相互关系，操作无序集合。这个模型还可以生成任意大小的点云，验证了在单图像3D重建上超越了现有模型并将其分数减半。

Nov, 2019

本文提出了Point2Mesh技术，它可以从输入的点云重建出表面网格，使用了深度神经网络自动定义先验，并通过优化整个形状的卷积核来实现全局优化以适应整个物体。与传统的重建方法相比，Point2Mesh对现实世界的非理想条件更具鲁棒性。

May, 2020

本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。

Jul, 2020

本文介绍了一种基于无监督和端到端深度学习的框架CorrNet3D，以学习3D形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

本论文介绍了一个能够处理几何和属性组件的点云压缩框架，利用两个基于坐标的神经网络来隐式表示体素化的点云，通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明，与最新的G-PCC标准中采用的八叉树方法相比，我们提出的方法具有更优越的性能，并且与现有的基于学习的技术相比具有高度的普适性。

May, 2024