本研究提出了一种新的框架，通过利用 3D 食物模型和场景中的物理参考，从 2D 图像中估计食物的容量和能量。该方法通过重现具有估计姿态的食物的 3D 模型图像，来估计输入图像中摄像头和食物物体的姿态。我们还介绍了一个新的数据集，SimpleFood45，其中包含 45 种食物的 2D 图像和相应的注释，包括食物的容量、重量和能量。我们的方法在这个数据集上的平均误差为 31.10 千卡（17.67%），表现优于现有的分量估计方法。

Apr, 2024

利用用户面向的相机跟踪餐具上的食物项目来估计膳食摄入量，无需改变拍摄角度，可作为非侵入性、用户友好且高度准确的膳食摄入监测工具。

May, 2024

通过使用单目图像进行三维形状重建，我们提出了一种端到端深度学习框架，用于从食物图像中估计食物能量，其在公开的食品图像数据集 Nutrition5k 上评估结果显示，我们的方法具有竞争力的性能，只需使用 RGB 图像作为推理阶段的唯一输入。

Aug, 2023

该研究提出了一种基于视觉的方法，利用 2D 图像来估计食物重量，采用深度学习和计算机视觉技术，使用 Faster R-CNN 进行食物检测和 MobileNetV3 进行重量估计，该方法在提供准确食物重量估计方面表现出强大的能力，并可用于医疗保健、健身和智能食物存储等领域。

May, 2024

本研究旨在通过分析移动设备（如智能手机）捕获的食物图像来改进膳食评估的准确性，提出了一种新的基于卷积神经网络的食品图像识别算法，并将该方法应用于两个真实数据集（UEC-256 和 Food-101）中，取得了令人瞩目的结果。

Jun, 2016

本文提出了一种通过使用 “能量密度地图” 和深度图来自动估算食物能量的技术，同时将其与基线方法相比较，实验结果显示其性能得到了显著提高。

Aug, 2022

本研究提出了一种端到端的多任务学习框架，可以同时实现食品分类和食品份量估计，通过使用 L2 范数的软参数共享和特征适应方法，提高了图像饮食评估的性能和预测准确率。

Apr, 2020

利用手机相机，基于餐馆菜单照片数据库，结合计算机视觉技术，识别不同餐馆不同食品种类的图像，以达到自动化的饮食日记记录。

Oct, 2015

该研究通过引入 Nutrition5k 数据集，采用计算机视觉算法能够精确预测真实世界中的复杂菜肴的热量和营养素值，并且具有超过专业营养学家的准确性，使这一领域的营养理解得到加速创新。

Mar, 2021

通过改进的编码器 - 解码器框架，我们能够从单个单目图像中估算食物的能量信息，通过在易于提取的格式中嵌入图像并由解码器提取能量信息，实现超过 10% 的改进，MAPE 上高于以往的能量估算方法超过 30 kCal 的改善。

Sep, 2023