本文提出了一种基于单个 RGB 图像学习预测隐式 3D 物体形状表征的新型 3D 形状重构方法，使用多种无视角注释的单视角图像进行跨类别学习且仅使用标签进行监督，辅以分类度量学习与对抗性和视点正则化技术，取得了 ShapeNet-13，ShapeNet-55 和 Pascal3D + 数据集上优于最先进方法的效果。

Apr, 2022

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

本研究提出了一种基于多视图图像的方法，用于识别三维场景的对象形状和布局，通过在大型数据集上的实验，证明该方法可扩展应用于现实图像，并与依赖三维信息的方法相比，表现得更好。

Jun, 2022

本研究提出了一种神经网络架构，将 RGB-D 图像分离为物体的形状和样式以及背景场景的地图，并探索了它们在少样本三维物体检测和少样本概念分类的应用。

Nov, 2020

我们提出了一种少样本形状描述符（FSSD），通过嵌入模块提取具有转换不变性的形状特征，使用可学习的形状原语分解和重构形状特征，还提出解码模块通过形状掩码和边缘对齐原始和重构的形状特征以使其更具形状感知能力，最后将所有模块组装成了一个少样本形状识别方案，实验证明我们的 FSSD 在少样本情况下相比最先进方法明显提升了形状分类。

Dec, 2023

本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

Apr, 2020

本文提出了一个复杂图像的低 - shot 学习基准模型，并以此为基础，提出一种注重表示规范化技术和为数据稀少的类别提供虚拟训练数据的技术，客观比较了不同方法在低 - shot 学习中的表现，并成功将 ImageNet 数据集中基于 novel classes 的 one-shot 准确率提高了 2.3 倍。

Jun, 2016

该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

Apr, 2019

该研究提出了一种基于自下而上的识别系统和结构符号化程序的 3D 形状程序，通过自监督方式对 3D 形状程序进行学习，具有在不同领域中高精度的 3D 形状重建能力，结合图像到 3D 形状模块，能够实现从 RGB 图像直接推断出 3D 形状程序并重建出更加准确和真实的 3D 形状。

Jan, 2019

本研究研究了 3D 形状分类的表示和架构的作用，通过变化训练示例的数量和使用跨模态迁移学习，研究了现有深度架构的初始化对 3D 形状分类的影响，结果表明，多视图方法即使没有在大型标记图像数据集上预训练，甚至在训练简化输入（如二进制轮廓）时，也能提供最好的泛化性能。此外，从图像表示进行跨模态传输可以改善基于体素的 3D 卷积网络和基于点的架构的性能。最后，通过不可区分噪声，研究了 3D 形状分类器对于对抗性变化的鲁棒性，结果发现基于点的网络对于点位置扰动更为稳定，而基于体素和多视图的网络则很容易被输入中的微不足道的噪声所欺骗。

Sep, 2018