该论文提出一种利用单个 RGB 图像重建车辆的方法，通过学习形状先验和使用卷积神经网络技术，恢复车辆的 3D 姿势和形状，同时通过迭代重新加权最小二乘（IRLS）方法对噪声进行建模和优化，以达到在自动驾驶领域中优于现有单眼和立体摄像头方法的结果。

Sep, 2016

本文提出了一种从单张图像中推断车辆 3D 姿态和形状的方法，采用可塑性线框模型生成车辆形状和姿态的精细尺度表示，并结合三个任务先验，包括无监督单目深度、地平面约束以及车辆形状先验，通过将前向投影误差整合到总能量函数中优化两级投影一致性来解决这个逆问题。

Jan, 2019

提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架，并利用 3D 车辆坐标信息和深度匹配对数据进行关联，并设计了一个基于 LSTM 的动作学习模块，以进行更准确的长期运动外推。实验结果表明，该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力，并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。

Nov, 2018

本研究提出了一种基于概率的方法，使用一种新型多任务 CNN 产生车辆方向、车辆关键点和线框边缘的概率分布，并将这些结果与三维视差信息结合到常见概率框架中，从而达到了最先进的结果。

Feb, 2021

本文提出了一个主要解决物体类别感知问题的非凸优化模型，其中包括针对模型内部变异性的解决方案，将图形学和优化算法相结合，以提高汽车姿态估计等领域的精度和鲁棒性。

Apr, 2021

本文介绍了一种通过卷积神经网络提取车辆关键点，并利用交叉投影优化方法估算 3D 姿态，采用层级线框约束方法估算车辆形状的精确方法，可以应用于智能交通领域的视频监控网络，实现车辆定位和跟踪。实验结果表明，该方法在估算车辆姿态和形状方面表现优于现有的单目和立体方法。

Feb, 2018

本论文提出了一种在具有不同平面的路面上进行单目物体定位和形状估计的方法，并使用 KITTI 和 SYNTHIA-SF 基准测试了该方法，证明了其在任意形状的路面上能显著提高单目物体定位的效果。

Mar, 2018

该研究提出了一种基于自回归先验的方法来解决三维形状完形、重建和生成等多模态三维任务，该方法可以在一个任意集合的空间查询位置上对三维形状建模，从而在不同的条件下执行形状补齐。

Mar, 2022

通过一次稀疏点轨迹矩阵的前向传递，我们提出了 TracksTo4D—— 一种新颖的基于深度学习的方法，用于从野外视频中推断出来自动态内容的三维结构和相机位置。

Apr, 2024

提出一个基于学习生成模型和概率不确定性优化框架的方法，用于在没有对象 CAD 模型的情况下进行高质量的未知对象的三维重建和定位，并且通过引入形状和姿态的不确定性，得到了能够准确反映对象地图错误的姿态和形状不确定性。

Sep, 2023