提出了一种新的从非校准单目图像中检测消失点的方法，并使用卷积神经网络（CNN）基于从图像中检测到的线采用反面点投影的高斯球表示进行训练。该算法使用合成数据来训练，无需标记图像，达到了竞争性的性能，可用于其他用例。

Jul, 2017

通过训练卷积神经网络，我们针对自然场景中的路面图像进行了消失点预测，并与文献中经典的消失点检测方法进行了比较。结果显示，我们的方法能够更有效地预测消失点。

Sep, 2016

本文介绍了一种基于快速霍夫变换层的新型神经网络架构，将其应用于处理文档图像中的消失点检测问题，并使用 MIDV-500 数据集证明其强大的泛化能力。

Sep, 2019

本文提出了一种在人工环境中检测水平消失点和天顶消失点的新方法，利用深度卷积网络提取全局图像上下文，并逆转现有方法的先后顺序，通过提出一组地平线候选者并针对其包含的消失点对其进行打分，而非先找到候选消失点再通过强制互相正交来消除异常值。我们在三个基准数据集上评估了我们的方法，并在每个数据集上均取得了最好的性能，同时我们的方法明显快于之前最好的方法。

Aug, 2016

通过在深度网络中添加可训练的 Hough 变换块来减少对标记数据的依赖和提高线段检测的数据利用率。

Jul, 2020

本文提出了基于几何启发式卷积算子的深度网络，以检测图像中的消失点，该算子在规范的圆锥空间内被实现为常规卷积，该方法显著提高了传统方法检测消失点的性能。

Oct, 2019

本文提出了一种基于人体几何先验知识的点云压缩框架，通过减少几何冗余以及提供拓扑学约束，实现了对高分辨率的人体点云数据的压缩，该方法在不降低数据质量的情况下，显著提高了压缩性能。

May, 2023

使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

Nov, 2018

探讨了利用几何约束来学习视角不变、几何感知表达，通过对 RGB-D 数据进行对比度学习，实现从 3D 先验信息到 2D 表达的迁移，并在语义分割、实例分割、室内物体检测中实现了显著提升。

Apr, 2021

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