在单目三维检测领域，为了提高检测性能常常使用场景几何线索，然而现有的方法明确采用这些线索，例如估计深度图并将其反投影到三维空间。为了缓解这个问题，我们提出了 MonoNeRD，这是一个能够推断密集三维几何和占用的新型检测框架，我们将场景建模为有符号距离函数（SDF），利用体素渲染恢复 RGB 图像和深度图。据我们所知，这项工作首次将体素渲染引入到单目三维检测中，并展示了基于隐式重构的图像三维感知的潜力。在 KITTI-3D 基准和 Waymo 开放数据集上进行的大量实验证明了 MonoNeRD 的有效性。代码可在此 URL 上找到。

Aug, 2023

本文提出了一种基于卷积神经网络的无监督学习框架，以自动发现三维形状的全局平面镜像对称性，并可识别广义圆柱体旋转轴。该方法相较于现有基于采样的方法快数百倍，即使在有噪音或不完整的输入表面数据下也很稳健。

Oct, 2019

本篇研究提出了一种深度神经网络方法，可以从单视角 RGB-D 图像中检测三维物体的反射和旋转对称性，并可以预测其对称轴和对称对应关系，同时具有极强的泛化能力，能够处理不同形状、多重对称以及新物体种类的情况。

Aug, 2020

本论文介绍了 Sym-NET，这是第一个用于检测深度学习神经网络的反射和旋转对称性的模型，在人类感知的对称性、基于图像的计算机视觉竞赛中获得了最佳表现。

Apr, 2017

本论文提出了一种使用基于物理的渲染来分解场景并产生具有 BRDF 材料属性的可重光纹理网格的方法，可适用于不同光照条件下获取的图像，实验证明该方法能够从图像集合中获得高质量的可重光 3D 资源。

Dec, 2020

我们提出的 NeRSP 是一种用于具有稀疏偏振图像的反射表面的神经 3D 重建技术。通过利用偏振图像，我们共同处理了稀疏输入和反射表面所带来的挑战，并通过多视角一致性优化了表面几何模型。在合成和真实数据集上的实验证明，我们仅使用 6 个视角的输入就实现了最先进的表面重建结果。

Jun, 2024

该论文提出了一种新的方法，使用二维卷积递归回归方案，通过对高度维度的切片来处理 3D 数据，并设计了一种估计平面对称性的方法，既可以处理完整的数据，也可以处理真实世界的部分扫描数据，以提高三维物体探测器的输出。

Jun, 2021

通过基于高斯的法线表示，本文提出了一种监督的方式来学习反射场景中几何形状的细节，通过极化先验引导几何学习，并通过优化过程中的重新权重策略来减轻极化先验的噪声问题，实验证明本文的方法在反射场景的神经三维重建中表现出色。

Mar, 2024

该研究提出了一种称为 NeRO 的基于神经渲染的方法，用于从采集于未知环境中的多视角图像中，重建反射物体的几何和 BRDF。该方法通过两个步骤解决了在多视角情况下反射物体重建的困难，并成功地重建出了几何和 BRDF。

May, 2023

NeRF-Det 是一种新颖的室内 3D 检测方法，利用 RGB 图像作为输入，并通过使用 NeRF 来明确估计 3D 几何，从而提高 3D 检测性能，并通过共享 MLP 巧妙地将检测分支与 NeRF 分支相连接，使 NeRF 在检测中高效适应，并为 3D 检测提供了具有几何感知的体积表示。

Jul, 2023