本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。

May, 2015

介绍了一种快速升采样 3D 物体到高分辨率的方法，通过在六个正交深度投影上进行超分辨率网络，可以比直接在 3D 空间中工作的方法更高效地生成高分辨率物体，该方法已被证明在 ShapeNet 数据集上表现良好，并在 3D 重建方面实现了最先进的性能。

Feb, 2018

本文研究了从未观察到的物体实例的可变数量的 RGB 视图学习特定类别的 3D 形状重建问题，并提出了一种可以估计密集 3D 形状并在多个和不同数量的输入视图上聚合形状的方法。

Jul, 2019

使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

Jun, 2014

本研究研究了 3D 形状分类的表示和架构的作用，通过变化训练示例的数量和使用跨模态迁移学习，研究了现有深度架构的初始化对 3D 形状分类的影响，结果表明，多视图方法即使没有在大型标记图像数据集上预训练，甚至在训练简化输入（如二进制轮廓）时，也能提供最好的泛化性能。此外，从图像表示进行跨模态传输可以改善基于体素的 3D 卷积网络和基于点的架构的性能。最后，通过不可区分噪声，研究了 3D 形状分类器对于对抗性变化的鲁棒性，结果发现基于点的网络对于点位置扰动更为稳定，而基于体素和多视图的网络则很容易被输入中的微不足道的噪声所欺骗。

Sep, 2018

利用三维表面几何约束以及反射对称性，从单个二维图像中恢复三维网格，相对于现有的 2D 和 2.5D 数据的三维重建方法，实现了更好的细节保留和性能表现。

Dec, 2019

提出了一种称为分层表面预测 (HSP) 的通用框架，利用卷积神经网络实现准确预测高分辨率的体素网格，可以用于从彩色图像、深度图像和部分体素网格恢复物体形状。

Apr, 2017

本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。

Aug, 2020

本文围绕三维信息在物体分类中的重要性，通过改进现有的立体卷积神经网络和多视卷积神经网络结构，引入了基于多分辨率过滤的三维多视卷积神经网络，取得了比现有技术更好的分类效果，并提供了相关实验结果和设计思路分析。

Apr, 2016

利用体素表示法和像素表示法，使用卷积神经网络进行 3D 目标识别。使用新的 V-CNN 架构将两种表示法相结合，获得显著更好的分类器。

Jul, 2016