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

通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

Jul, 2018

该论文提出了一种基于点云的物体表面重建方法，使用编码器-解码器网络通过单张图片生成多种视角下的点云，并且使用几何损失函数提高表面拟合准确性。

Nov, 2018

提出了一种名为CAPNet的不可分辨投影模块，采用多个前景掩膜作为监督数据，通过连续逼近点云点来建立投影模型，通过'affinity loss'损失公式规避了稀疏投影问题，显著优于现有基于投影的方法，可在缺乏大量3D数据的情况下构建高质量3D重建。

Nov, 2018

本文提出了一种全可微的流程，用于估计三维点云之间的准确密集对应，基于从数据学习基础并使用嵌入网络，实现端到端可训练的对应方法，在挑战性的非刚性三维点云对应应用中实现了最新的结果。

Oct, 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

研究提出了一种使用点云卷积和在每个输入点计算潜在向量的方法，然后进行最近邻的基于学习的插值。实验结果表明，该方法在大多数经典指标上明显优于其他方法，生成更精细的细节并更好地重建了更薄的体积。

Jan, 2022

本文提出了一种新的框架，学习了一个统一的、结构化的潜在空间，其中包括映射相关局部点云的多个完整的形状和遮挡代码对，并将这些代码合并以获取它们在统一潜在空间中的表示，通过建立这样一个统一的和结构化潜在空间，可以实现更好的局部-完整几何一致性和形状完成准确性，并在合成和现实世界的各种数据集上比现有的无监督方法表现更为出色。

Mar, 2022

通过使用UNeR3D，这篇研究论文提出了一种开创性的无监督方法来从2D图像生成详细的3D重建，同时通过应用逆距离加权技术进行颜色渲染，提高了视觉保真度，并展示了在单视图输入和其他情况下的优越成果，从而重塑了3D视觉中的无监督学习范式。

Dec, 2023

大规模重建模型在自动化三维内容生成方面取得了重大突破。然而，这些模型常常产生具有几何不精确性的三维网格，这是由于仅从图像数据推断三维形状的固有挑战所引起的。在本文中，我们介绍了一种新颖的框架，即大型图像与点云对齐模型（LAM3D），它利用三维点云数据增强了生成的三维网格的保真度。我们的方法从开发基于点云的网络开始，有效地生成精确而有意义的潜在三平面，为准确的三维网格重建奠定了基础。在此基础上，我们的图像-点云特征对齐技术通过处理单个输入图像，将其与潜在三平面对齐，使图像特征具备强大的三维信息。这个过程不仅丰富了图像特征，还有助于产生高保真度的三维网格，而无需多视图输入，大大降低了几何变形。我们的方法在仅6秒内实现了单个图像的最先进高保真度三维网格重建，并在各种数据集上的实验证明了它的有效性。

May, 2024