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

通过神经对象表示学习对象形状分布并将其映射到潜在空间，我们利用不确定性感知编码器直接从单个输入图像生成具有不确定性的潜在代码以模拟 3D 物体重建领域中的不确定性，并在贝叶斯框架下提出增量融合方法来融合多视角观测的潜在编码，从而提高 3D 对象重建的准确性。

Jun, 2023

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

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

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

通过多任务学习，训练神经隐式表示以在重建、分类和语义分割任务上实现功能丰富的编码。

Jan, 2021

使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

Aug, 2023

本文使用深度神经网络研究了基于多个正交绘图的物体重构，提出了两种算法，一种基于基于像素对齐的隐式函数进行系统构建，另一种比较了多视角深度图回归的方法，在车辆重建方面使用了一种新颖的数据集，并对训练后的神经网络进行了评估。

Jun, 2022

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021