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

对于各种下游任务（如 3D 几何完成、分割、压缩和结构感知形状编码或生成），对称性检测，特别是局部和外在对称性，是至关重要的。为了检测局部外在对称性，我们提出通过对比学习来学习旋转、反射、平移和尺度不变的局部形状特征，这些特征在多个类别和不同数据集上都具有鲁棒性和泛化性。我们展示了我们的方法能够提取多个正确解决方案，以解决这个模糊的问题。此外，我们引入了一个新的基准测试，用于评估我们的局部外在对称性检测方法。最后，我们将检测到的对称性与区域增长算法相结合，以实现一个下游任务，即计算对称感知的 3D 形状的划分。据我们所知，我们是第一个提出自监督数据驱动局部外在对称性检测方法的人。

Dec, 2023

本文提出了一种基于卷积的方法来检测 2D 中的对称性，使用复值小波卷积乘积简化了之前基于边缘的处理方法，具有参数中心性，适用于先验知识已知的物体，特别是在椭圆检测应用中，该方法在单对称情况下优于 CVPR 2013 对称检测竞赛数据库上表现最佳的算法，代码和新的 2D 对称检测数据库可用。

Sep, 2016

本研究介绍了 NeRD，一种神经 3D 反射对称性检测器，可以准确地恢复对象的镜像平面的法线方向，并证明检测到的对称性可用于提高下游任务（如姿态估计和深度图回归）的性能。

Apr, 2021

本文提出了一种使用对称性和曼哈顿结构线索的算法去估计三维结构和相机投影，通过使用多张来自同一类别的图像，我们提出了一种新颖的刚性结构运动方法，该方法显著优于基准方法。

Jul, 2016

本文介绍了如何使用旋转对称性来进行姿态估计，提出了一种能够通过训练来识别具有旋转对称性的物体的模型，使用未标记的 CAD 模型数据来提高算法性能，并在新的姿态数据集上测试了算法性能。

Oct, 2018

介绍了一种称为 “Mirror Symmetry via Registration (MSR)” 的新对称性检测方法，其通过数据反射、数据注册和计算反射和注册映射的矩阵的特征值向量等步骤来检测镜像对称性，同时提出了一种基于随机样本一致性的新型 2D 数据配准方法，并在对不同数据库的测试中获得了最先进的性能和结果。

Nov, 2016

本文提出一种新方法，通过预测多视角一致的平面嵌入来辅助几何方法，将点进行聚类成平面，从而解决了在场景中估计平面表面的问题，并在 ScanNetV2 数据集上表明，该方法优于现有方法和强基线的平面估计任务。

Jun, 2024

本文研究了对象的对称性与其在图像中的出现之间的联系，并提出了一种基于姿态旋转归一化的简单有效的解决方案，并在 T-Less 数据集上验证了该方法。

Aug, 2019

本文提出一种通过使用有符号距离场获取和使用平面表面信息的新算法，有效地解决了在线重建中嘈杂不完整的问题，并使用平面拟合实现了意义上的语义分割。

Sep, 2016