提出了一种新方法来从噪声、降采样和任意旋转的实际场景中对任意对象类别进行关键点推断的方法，该方法是完全无监督的，关键点位置误差低，对点云数据扰动具有弹性，关键点保持其索引的语义一致性，且靠近点云数据表面，并在对象的三维形状下游任务中具有改进的覆盖范围和语义一致性。

Aug, 2023

介绍一种新的无监督方法 KeypointDeformer，通过自动发现的 3D 关键点进行形状控制，并通过比较两个对象的潜在表示来分析其形状差异，并通过 3D 关键点和形状变形算法将源对象变形为目标对象。

Apr, 2021

本文提出了 KeypointNet，这是一个端到端的几何推理框架，用于学习一组最优的类别特定 3D 关键点及其检测器。 通过对一张单独图片，KeypointNet 提取出用于下游任务优化的 3D 关键点，我们在 3D 姿势估计方面展示了这种框架，并提出了一个可微的目标，以寻求在两个对象视图之间恢复相对姿态的最佳关键点集。我们的模型在对象类别的不同视角和实例之间发现了几何和语义一致的关键点，重要的是，我们发现我们的端到端框架在不使用地面真值关键点注释的情况下胜过使用相同神经网络架构的完全监督基线在姿势估计任务上，在 ShapeNet 的汽车，椅子和飞机类别上可视化出发现的 3D 关键点。

Jul, 2018

本文提出了一种无需外部监督学习从单视角图像中学习三维可变形物体类别的方法，该方法基于自编码器，将每个输入图像分解为深度、漫反射、观察角度和光照，通过利用物体对称结构来分解这些组件，推理光照使我们能够利用底层的物体对称性，即使外观不对称，而是由于阴影造成的。此外，我们通过预测对称概率地图来建模可能但不一定对称的对象，该地图与模型的其他组件一起端到端地学习。我们的实验表明，这种方法可以从单视角图像中非常准确地恢复人类脸部、猫脸和汽车的三维形状，而不需要任何监督或先前的形状模型。与使用 2D 图像对应的监督方法相比，在基准测试中，我们表现出优越的准确性。

Nov, 2019

提出了一种无监督学习的方法 GC-KPL 来学习 3D 人体关键点定位，并且在未标注的数据集上取得了相对合理的性能，同时 GC-KPL 在少样本学习以及利用大量未标注数据方面得到了有效应用。

Jun, 2023

本文提出了一种可以利用少量标记为二维关键点的图片进行单目三维建模的方法，包括训练类别特定的关键点估计器、在未标记的网络图像上生成二维关键点伪标记和利用标记和自标记集合共同训练三维重建模型等步骤，实现了对多个复杂物体的三维重建，可以迅速启动模型且易于适应新的物体种类。

Apr, 2023

本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

Feb, 2023

该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法，可在没有真值姿态注释、CAD 模型和多视图监督的情况下，从单独的 3D 点云中进行类别级别的六自由度物体位姿估计， 并在多个基准测试上验证了该方法的有效性。

Oct, 2021

本篇论文旨在通过两种创新，基于从运动视角观察物体的方式，不需要手动注释，实现学习 3D 物体类别的传统方法。我们的系统基于两种创新：一种是具有鲁棒性的 Siamese 视点因子分解网络，可以对不同的视频进行对齐；另一种是可以从部分观测中提取对象的完整形状的 3D 形状完成网络。我们还演示了配置网络以执行概率预测和几何感知数据增强方案的好处。在公开可用的基准测试中，我们获得了最先进的结果。

May, 2017

该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。

Oct, 2018