该研究提出了一种无监督的多任务模型，用于联合学习点云上的点和形状特征，并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明，与之前的无监督模型相比，该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中，准确率达到 89.1％，在 ShapeNet 分割任务中，mIoU 为 68.2％，准确率为 88.6％。

Oct, 2019

使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。

Jul, 2018

本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。

Jun, 2021

本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

Oct, 2019

本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。

Apr, 2020

提出一种半监督三维重建框架 SSP3D，引入基于注意力引导的原型形状先验模块、鉴别器引导模块和正则化器来实现更好的形状生成，在 ShapeNet 基准测试中，在不同标注率下，性能均明显优越，并且对于少量有标注数据的新类别也能够取得很好的成果。

Sep, 2022

本文提出了一种编码器 - 解码器网络架构，用于从单个 2D 图像中分离出形状特征，从而能够同时实现重建准确的 3D 人脸形状和学习面部识别的判别形状特征。与现有的 3D 人脸重建方法不同，我们的方法直接从单个 2D 图像回归密集的 3D 人脸形状，并根据一个含有潜在表示的组合 3D 人脸形状模型，明确地分开处理了 3D 人脸形状的身份和残差（即非身份）部分。我们制定了一个训练流程，用联合损失来衡量面部识别错误和 3D 人脸形状重建错误，为此我们开发了一种将 3D 形态可塑模型（3DMM）适配到多幅同一主体的 2D 图像上的方法。广泛的实验在 MICC、BU3DFE、LFW 和 YTF 数据库上进行。结果表明，我们的方法扩展了 3DMM 捕捉判别形状特征和面部细节的能力，因此在 3D 人脸重建准确性和面部识别准确性方面均优于现有方法。

Mar, 2018

为了解决现有模型的可扩展性问题，本文提出了一种基于现有大规模 3D 模型的 3D 异常合成流程，以适应 3D 异常检测。同时，为了实现可扩展的 3D 异常定位表示学习，本文提出了一种自我监督方法 —— 迭代掩蔽重建网络（IMRNet），并在 Anomaly-ShapeNet 数据集和 Real3D-AD 数据集上取得了显著优于先前方法的成果。

Nov, 2023

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

该论文提出了一种名为 RSC-Net 的算法，它通过 resolution-aware network、self-supervision 和 contrastive learning scheme 解决了低分辨率输入图像对姿态和人体形状估计的挑战，并在弱监督条件下实现了更好的结果。

Jul, 2020