介绍了一种新型的空间感知的 3D 形状生成框架，利用 2D 平面表示增强 3D 形状建模，通过使用正交 2D 平面直接学习三维形状的连续有符号距离场表示，以确保空间一致性和减少内存使用，并通过基于 Transformer 的自编码结构精确实施不同平面之间的空间对应关系，促进生成的 3D 形状中空间关系的保留，从而在无条件形状生成、多模态形状补全、单视图重建和文本到形状合成等各种任务上始终优于最先进的 3D 形状生成方法。

Mar, 2024

在 3D 计算机视觉领域，参数化模型已成为创造逼真和富有表现力的 3D 头像的突破性方法论。本文利用扩散模型，在完全保留未编辑区域的同时，实现了对 3D 网格的多样化和完全局部化的编辑操作。与现有技术相比，我们的方法在形状操作方面更具可解释性，具有更大的局部化和生成多样性，并且推理速度更快。

Mar, 2024

该论文提出了一种新的框架，用于简化业余用户的 3D 资产生成。这种方法支持多种输入模态，并能够对每个输入的强度进行调整，从而允许用户同时使用不完整的形状、图像和文字描述来生成形状，并提供每个输入的相对权重和互动性。

Dec, 2022

本研究提出了一种基于无监督深度学习模型的多焦点图像融合方法，该方法通过训练编码器 - 解码器网络获得输入图像的深层特征，并使用这些特征及空间频率来衡量活动水平和决策图，最终应用一些一致性验证方法来调整决策图并得出融合结果，与之前的方法相比，该方法分析深层特征中的锐利外观而非原始图像中的锐利外观。实验结果表明，与现有的 16 种融合方法相比，该方法在客观和主观评估中均取得了最先进的融合性能。

Aug, 2019

提出了一种基于多模态生成模型的传感器融合方法，该方法应用于多模态融合实验（如多感官分类，去噪和从子采样观测中恢复）。

Aug, 2022

SparseFusion 是一种基于稀疏三维特征构建的新型多模态融合框架，能够有效实现远程感知，并在长程 3D 感知任务和时间目标检测任务中取得了最优的性能。

Mar, 2024

该研究提出了一种基于变分自编码器的语义表示方法，实现了对三维语义地图的实时增量建立与空间一致的语义标签融合，可以用于单目关键帧语义映射系统，并能够实现对位姿、几何和语义的联合优化。

Mar, 2019

提出基于多视图图像 - 姿态对的深度估计新方法，使用编码器 - 解码器模型进行差异性估计，通过非参数高斯过程约束信息，提高姿态相似性使得潜在空间主题相像，用高斯过程适应性融合前几个视图生成信息，见证其运行于智能设备的实时估计方案。

Apr, 2019

使用卷积神经网络和密集同时定位和建图（SLAM）系统来将视觉感知转化为语义映射，实现在室内 RGB-D 视频帧之间的长期稠密对应以及在多个视点上的概率融合，从而生产有用的 3D 语义地图。

Sep, 2016

AvatarFusion 利用一个潜在的扩散模型，同时从头到脚地生成人类逼真的头像，并将衣服与人物身体分割开来。AvatarFusion 包括第一个脱离衣物的神经隐式头像模型，该模型采用了新的双体积渲染策略，将脱离衣物和衣物子模型在一个空间中渲染。我们还引入了一种新的优化方法，称为 Pixel-Semantics Difference-Sampling（PS-DS），该方法在语义上将身体和衣物的生成分开，并生成各种服装风格。此外，由于我们的模型脱离了衣物，因此我们可以更换头像的衣服。

Jul, 2023