该研究介绍了使用递归的几何感知神经网络，将一个场景的多个视图中的视觉信息整合到 3D 潜在特征张量中，并直接使用构建的 3D 特征存储器进行物体检测、物体分割和 3D 重建。

Nov, 2018

本论文介绍了一种无监督学习方法，将三维形状信息嵌入到单视图图像表示中，通过使用单个 2D 图像的自监督训练目标，在没有人工语义标签的前提下，鼓励表示捕捉基本形状原语和语义规律，最终学习得到一个强大的表示方法，可以成功进行物体识别和 “心理旋转” 操作，成果优于相对应的其他无监督学习方法。

Sep, 2017

本文提出了一种新的深度几何学习方法，通过构建保留欧几里得空间结构的三维潜在空间，可以提高网络在形状识别和重建上的性能，并且在 ShapeNet 和真实世界数据集上表现优于目前最先进的方法，并且能够自然而然地扩展到多视角重建。

Jun, 2020

该研究提出了一种基于变分自编码器的语义表示方法，实现了对三维语义地图的实时增量建立与空间一致的语义标签融合，可以用于单目关键帧语义映射系统，并能够实现对位姿、几何和语义的联合优化。

Mar, 2019

本文提出了一种 3D 感知的自我中心空间 - 时间交互框架，用于自动驾驶应用，采用图卷积网络（GCN）进行交互建模，对于特定场景的驾驶行为识别领域，该框架在 Honda Research Institute Driving Dataset 数据集的实验表明，与基准线相比，性能提升明显。

Sep, 2019

提出了一种连续三维结构感知场景表征模型 Scene Representation Networks (SRNs)，能够通过不需要深度或形状信息的二维图像及其相机姿态进行端到端训练， 并在视角合成、少样本重建、形状外插及表现插值等任务中展示出潜力。

Jun, 2019

本研究提出了一种神经网络架构，将 RGB-D 图像分离为物体的形状和样式以及背景场景的地图，并探索了它们在少样本三维物体检测和少样本概念分类的应用。

Nov, 2020

提出了一种基于多视角立体技术的神经重建框架 CVRecon，使用创新的 3D 几何特征表示方法 RCCV，可以显着提高三维几何重建质量和恢复细节。

Apr, 2023

本文提出了一种新的空间监督递归卷积神经网络，用于视觉对象跟踪，通过研究长短期记忆和区域信息的回归能力，结合卷积网络产生的高层视觉特征直接预测跟踪位置，相较于现有的深度学习跟踪器，我们的跟踪器在保持低计算成本的同时更加准确和鲁棒，实验结果表明在多个数据集上均表现优异，常常优于排名第二的跟踪器。

Jul, 2016

本文提出了一种基于学习的 3D 重建技术，以实现机器人夹抓系统中的几何感知，并通过 96 次机器人夹抓试验来验证了这种技术对于夹抓度量和识别非预期接触具有积极意义。

Oct, 2019