该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

Dec, 2020

本文提出了 Point2Mesh 技术，它可以从输入的点云重建出表面网格，使用了深度神经网络自动定义先验，并通过优化整个形状的卷积核来实现全局优化以适应整个物体。与传统的重建方法相比，Point2Mesh 对现实世界的非理想条件更具鲁棒性。

May, 2020

本文提出一种名为 Mem3D 的新方法，通过构建形状先验和使用基于 LSTM 的形状编码器，以及使用 Voxel Triplet Loss 函数来重建包含噪声和遮挡的 3D 物体形状，该方法在 ShapeNet 和 Pix3D 数据集上表现优异。

Mar, 2020

表面重建中保留几何特征是一项具有挑战性的计算机视觉任务，我们提出了一种数据驱动的方法，自动检测和重新排列特征，以实现对高分辨率 3D 形状的可伸缩重建。

Nov, 2023

通过探索一种基于密集三维网格的更为灵活的方法，本文旨在解决基于图像的特征匹配对在构建场景表示上造成的代价，并通过在渲染场景几何图形时提取特征的方式，展示了这一方法达到了最新成果。结果表明，基于密集三维模型的表示是现有表示的一种有前途的替代方案，并且为未来研究提出了有趣而具有挑战性的方向。

Jul, 2022

使用机器学习为出现的问题预测最佳有限元网格，从而自动生成了高质量的网格，该方法基于神经网络对标准网格生成软件进行指导。

Apr, 2020

本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

Jan, 2021

提出一种利用深度神经网络的全新 2D-3D 自先验策略的深度学习流程来重构含有三角网格和纹理贴图的完整 3D 模型，实验证明该方法不仅无需额外的训练数据即可从稀疏输入中恢复出高质量的 3D 纹理网格模型，而且在几何和纹理质量上均优于现有方法。

Aug, 2021

通过设计一种新颖的稀疏潜点扩散模型，将点云作为中间表示建模并控制生成的网格的整体结构和局部细节，以提高效率和可控性，实现了在生成质量和可控性方面与现有方法相比优越的网格生成。

Mar, 2023

我们提出了一种新颖的神经隐式建模方法，利用多种正则化策略在仅依赖图像的情况下实现大型室内环境的更好重建，通过稀疏但准确的深度先验将场景锚定到初始模型，并引入一种密集但精度较低的深度先验，灵活性足以让模型从中分离出来改善估计的几何建模，并提出了一种新颖的自监督策略来规范估计的表面法线，最后，可学习的曝光补偿方案适应复杂的光照条件。实验结果表明，我们的方法在具有挑战性的室内场景中产生了最先进的 3D 重建结果。

Sep, 2023