介绍了一种新的 3D 表面基础的物体类别生成模型 - Lifting Autoencoders，该模型结合了非刚性结构运动、图像形成和形态模型等的思想，能完全无监督地从非结构化的图像集中学习可控、几何的 3D 类别生成模型，并使用可微渲染器生成 RGB 图像和对抗性训练的细化网络实现清晰逼真的图像重建结果。其生成模型可以通过可识别的几何和外观因素进行控制，从而进行身份、表达、3D 姿势和光照属性的逼真图像操作。

Apr, 2019

我们提出了一种自监督的，单视图三维重建模型，通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势，该方法不需要三维监督，手动注释的关键点，物体的多视图图像或先前的 3D 模板，通过自监督地学习分类特定图像的部分分割，我们可以在重建网格与原始图像之间有效强制实现语义一致性，从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义，并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。

Mar, 2020

本篇论文针对计算机视觉中难以标注真实数据的实际场景，提出一种基于多视角的物体三维重建模型，利用自主采集的物体图像视频数据集作为训练样本，创新地提出使用神经网络设计进行后续重构，并在多项基准数据集上验证了该模型的优越性。

Mar, 2021

本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

Apr, 2018

本文提出了一种基于视点分解的新方法，可以从视觉测量中提取抽象模型和目标类别的密集物体中心坐标系，并配有密集等变标记神经网络，可以将图像像素映射到对应的目标坐标系，这种方法可以适用于肢体简单目标和人脸等可变形物体，而不需要手动监督。

Jun, 2017

我们提出了一种基于实时 RGB 的管道来实现物体检测和六自由度姿态估计。我们的创新性三维方向估计基于域随机化训练的三维模型的模拟视图，采用了变体的降噪自编码器。我们称之为增强自编码器相较于现有方法具有多个优点：它不需要真实标注的训练数据，适用于各种测试传感器，固有的处理物体和视角对称性。我们提出了一种隐式表征物体方向的方法，定义了潜在空间内的样本，而不是学习从输入图像到对象姿态的显式映射。我们的管道在 T-LESS 数据集的 RGB 和 RGB-D 领域均取得了最新成果。我们还在 LineMOD 数据集上进行评估，其中我们可以与其他合成训练方法竞争。当物体偏离图像中心时，通过纠正三维方向估计来进一步提高性能，并展示了扩展结果。

Feb, 2019

这篇论文介绍了一种利用神经网络来解决从单一图像生成多角度视角的问题，并且在人脸和椅子等特定物体类别的数据上取得了良好的效果，同时展示了模型无需完全监督就可在多个应用中使用的能力。

Jan, 2016

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

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

本文提出了一种采用非监督学习的方法，从未知类别的物体的三维点云中学习特定于类别的三维关键点，使用对称线性基础形状模型描述特定于类别的形状，并证明了该方法能够得到几何和语义方面的一致的关键点。

Mar, 2020