使用卷积深度置信网络将几何3D形状表示为3D体素网格上的二元变量的概率分布，以实现物体识别和根据2.5D深度图形完成3D形状恢复等多个方面的任务，利用构建的大规模3D CAD模型数据集 - ModelNet进行训练，可以在各种任务中显著提高性能。

Jun, 2014

本文提出一种从2D图像中学习生成3D结构的深度生成模型，并通过概率推断从3D和2D图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断3D表示的方法，并在几个数据集上建立了基准模型。

Jul, 2016

本文提出ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角3D形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

Sep, 2018

本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

Nov, 2018

本研究提出一种通用重建算法（GenRe），利用深度和轮廓等2.5D表示方法和球形和体素表示方法，旨在捕捉更通用，不受特定类别约束的形状先验知识，实验结果表明该算法可以很好地解决从单张图像还原3D形状，并且能够泛化到未在训练中见过的多种不同类别的新物体。

Dec, 2018

通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在3D表面预测任务中的准确性和灵活性。

Jan, 2019

本文提出一种基于正常流模型的方法，利用概率建模的思想，从多个视角的2D图像集合中重建3D人体姿势。该方法在人体姿势重建、模拟及建模上都取得了较好的效果，且可通过提供多种样本取得更为准确的估计。

Aug, 2021

通过使用神经场，利用三维空间内不规则的栅格表征方法，提高了点云形状重构以及生成模型的精确性和质量， 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中，实现了有关3D形状建模的革新工作。

May, 2022

本研究提出将单视角深度先验与传统三维重建系统融合，通过预测概率分布并使用代价函数最小化来提取深度图，并证明了该方法在整个系统性能方面的优越性。

Jul, 2022

Bayesian Diffusion Models (BDM)通过紧密地将自上而下的（先验）信息与自下而上的（数据驱动）过程通过联合扩散过程有效地进行贝叶斯推断，展现了在3D形状重建任务上的有效性。相较于典型的用于配对（监督）数据标签（例如图像点云）数据集训练的深度学习数据驱动方法，我们的BDM从单独的标签（例如点云）中引入丰富的先验信息，以改善自下而上的3D重建。与标准的贝叶斯框架要求显式的先验和似然不同，BDM通过学习到的梯度计算网络通过耦合扩散过程实现无缝信息融合。我们在合成和真实的3D形状重建基准测试中展示了最先进的结果。

Mar, 2024