用于学习可组合的三维物体表示的高阶函数网络
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
本研究介绍了一种新的三维基元表示方法 Neural Parts，该方法使用可逆神经网络定义基元，并通过学习将三维对象解析为语义一致的部件排列，有效地抽象了三维形状并实现了精确的重建。
Mar, 2021
本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。
Dec, 2018
该研究提出了一种新的方法，使用深度神经网络直接将图像映射到网络权重的向量，以实现从单个图像进行 3D 形状重构，该新的表示具有无限的容量和分辨率，并且可以具有任意的拓扑结构。实验结果表明，相比于体素、轮廓线和网格等现有方法，该方法能够更准确地推断 2D 投影的形状。
Aug, 2019
本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。
Apr, 2020
本研究介绍了一种利用概率形状先验的坐标神经表示方法，结合隐式可微渲染，通过两阶段优化过程，成功实现了多视角三维重建中几乎与 3D 可塑性模型方法、视角较多时的非参数方法相当的高保真度的少视角全三维头部重建。
Jul, 2021
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
本文提出了一种基于学习的框架来从实际操作符编码的小型矩阵中重建三维形状，并引入了一种名为 OperatorNet 的新型神经网络，该网络以表示形状的一组线性操作符作为输入，并生成其 3D 嵌入。我们展示了这种方法在同一问题的纯几何方法中具有明显的优势，并演示了如何使用这些操作符合成全新的未见过的形状，并将其应用于形状插值和类比应用中。
Apr, 2019
从学习代理的角度探究了单视角 3D 物体重建任务，提出了一种包含透视变换定义的新型投影损失的编码器 - 解码器网络，实现了从单个 2D 图像生成 3D 体积的无监督学习，并通过实验证明了投影损失提高了 3D 对象重建的性能和泛化能力。
Dec, 2016