本文提出了一种基于对抗学习的新型结构，可以从单个输入深度图像重建、完整和语义标识一个 3D 场景，通过使用多种对抗损失项来实现对内部特征的有效嵌入，同时保留了原始的 2.5D 结构以提高模型内部表示的效果。

Oct, 2018

本文针对通过单视图深度图来获取场景的完整三维体素表示和语义标签的语义场景完成任务，提出了一种端到端三维卷积神经网络 SSCNet，该网络能够同时输出所有摄像机视图锥体中体素的占用和语义标签。SSCNet 使用基于扩张的三维上下文模块来高效地扩展感受野并进行三维上下文学习。实验结果表明，该联合模型比各自解决每个任务的方法表现更好，并且在语义场景完成任务上优于替代方法。

Nov, 2016

本文提出了一种新颖的 3D-RecGAN 方法，使用生成对抗网络从单个任意深度视角重建给定对象的完整三维结构，在高维体素空间中通过结合自动编码器和条件生成对抗网络框架的生成能力恢复物体的准确和细粒度的三维结构。广泛的实验表明，该方法在单视角 3D 物体重建方面明显优于现有技术，且能够重建未被见过的物体类型。

Aug, 2017

通过 3D-RecGAN ++，使用生成对抗网络从单个任意深度视图重建给定对象的完整三维结构，诸如多视图的对象或类标签，仅使用深度视图的体素网格表示作为输入，充分利用了自动编码器和条件生成式对抗网络框架的生成能力，在高维体素空间中推断对象的准确和细粒度的三维结构，并在合成和真实数据集上得到了验证。

Feb, 2018

本文提出一种两流方法，结合深度信息和从 RGB 图像推断出的语义信息，利用 3D CNN 推断出完整的 3D 语义张量进行场景补全，该方法远优于目前的最新技术。

Apr, 2018

提出了一种基于单个编码器和三个独立生成器的新型模型，用于从单个深度图像中进行三维语义完形填空，旨在实现对原始场景和完整场景的不同几何和语义表示的重构，在模型内引入连接它们之间的路径，在相应的网络层级上连接特征，以实现信息传输，并构建了一个新的训练数据集，包括遮挡和真实噪声，在标准基准上演示了我们的方法对语义三维场景和三维物体完成的好处。

Sep, 2019

ScanComplete 采用数据驱动方法，输入不完整的 3D 扫描场景数据，预测出完整的 3D 模型并附带像素级语义标签，主要贡献在于处理空间范围不同的大型场景，并且在完成质量和语义分割性能等方面都显著优于其他方法。

Dec, 2017

本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

Nov, 2019

本文介绍一种新策略，通过边缘检测和翻转截断有符号距离来在 3D 空间中编码颜色信息，同时提出了 EdgeNet，一种能够处理深度和边缘信息的新型端到端神经网络结构，实验结果表明该方法相比现有技术在真实数据上提高了 6.9 % 的性能表现。

Aug, 2019

通过结合深度卷积神经网络体系结构和自编码器，从深度图中隐含学习 3D 几何特征，大大提高了新方法的重建准确度，并使其适用于实时应用。

Aug, 2018