本文介绍了一种重建 4D 时间连续场景模型的方法，该方法使用多个移动相机进行重建，可以重建动态或静态物体，同时将稀疏 - 稠密时序对应与联合多视角分割和重建结合使用，利用时间上的连续性克服了视觉歧义，并通过引入测地线星凸性的约束实现了具有鲁棒性的动态物体分割和重建。

Mar, 2016

该论文介绍了一种不需要先验知识的方法，利用多视角相机从复杂动态场景中获取 4D 的、时间相干的场景模型的无监督重构，并通过应用于自由视角渲染和虚拟现实中，改善了非刚性对象分割和形状重构的精度。

Jul, 2019

本文提出了一种数据驱动的方法，利用自监督的神经网络来构建 4D 时空图像，可通过手持多摄像头拍摄的视频进行可视化，并在视频中创建虚拟摄像机以探索时间和视角，在移动摄像头和编辑视频等方面得到验证。

May, 2020

本文提出了一种名为 Action4D 的实时行动识别方法，它使用全局特征和聚焦注意力相结合的创新结构进行行动识别，可在复杂的环境中进行精确而可靠的多人行动识别。该方法能够灵活适应不同的场景，对视角及影响行动识别的杂乱因素均有良好的抵抗能力，从而为实现智能家居、智能工厂和智能商店等各种智能应用提供了奠基性的方法。

Jun, 2018

我们提出了一种将 4D 动态物体先验知识注入到学习的 3D 表示中的方法，并利用合成的 3D 形状和对比学习在 3D-4D 约束下进行数据增强，在下游的 3D 语义场景理解任务中，能够有效地提高表现。实验证明，我们的无监督表示学习方法能够在下游的 3D 语义分割、物体检测和实例分割等任务中表现出色，并且在数据稀缺的情况下显著提高了性能。

Dec, 2021

本文提出了一种无监督多视图行人检测方法（UMPD），通过利用视觉 - 语言预训练模型的零样本语义类别，结合迭代主成分分析和垂直差分渲染技术，不依赖于标记数据完成多视图行人检测，具有与有监督技术媲美的性能。

May, 2023

本文介绍了一种新颖的实时多人运动捕捉算法，使用多视角视频输入。通过联合多视角图像和多个时间帧进行关节优化，解决了运动捕捉中存在的关键挑战，该方法每秒可以在 5 个人的场景中使用 5 个相机运行 30fps 的帧率。

Feb, 2020

提出了一种高效的视频到 4D 对象生成框架 Efficient4D，能够在连续的摄像机轨迹下实时渲染高质量的时空一致图像，通过直接训练具有明确点云几何结构的新颖 4D 高斯涂层模型，大大提升了速度，同时保持创新视角合成质量。

Jan, 2024

针对任何整体三维场景，本论文提出了 U3DS$^3$ 作为一个完全无监督的点云分割方法，通过利用点云的固有信息来实现全三维场景分割，并且在 ScanNet、SemanticKITTI 和 S3DIS 数据集上提供了最新的研究成果和具有竞争力的结果。

Nov, 2023

本文提出了一种高效而健壮的技术，实现了 3D 室内场景的即时密集语义分割和重建，该方法基于高效的超体素聚类方法和来自结构和对象线索的高阶约束的条件随机场，无需预先计算即可进行渐进式密集语义分割。通过对 SceneNN 和 ScanNet 数据集中的不同室内场景进行广泛评估，证明了该技术在定性和定量实验中始终能够产生最先进的分割结果。

Apr, 2018