本文提出了一种称之为“PrGANs”的方法，能够在无监督学习的情况下，训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型，并能够实现从输入图像中预测三维形状和视点，并生成新视图的功能。

Dec, 2016

本论文介绍了一种无监督学习方法，将三维形状信息嵌入到单视图图像表示中，通过使用单个2D图像的自监督训练目标，在没有人工语义标签的前提下，鼓励表示捕捉基本形状原语和语义规律，最终学习得到一个强大的表示方法，可以成功进行物体识别和“心理旋转”操作，成果优于相对应的其他无监督学习方法。

Sep, 2017

本文提出一种学习框架，可以从单个图像中恢复物体的3D形状、相机、和纹理，使用一个可变形的3D网格模型来表示形状，在不依赖于地面真值3D或多视图监督的情况下，利用注释的图像集进行训练并学习3D预测机制与可变形模型。作者还展示了可以轻松将语义关键点与预测的形状相关联，并在CUB和PASCAL3D数据集上展示了我们的方法的定性和定量结果。

Mar, 2018

本文提出ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角3D形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

Sep, 2018

本文提出了一种基于对抗训练的框架来解决单视角3D形状重建中存在的挑战，该框架通过降低自然和合成图像之间的差异、迫使重建在逼真的物体形状流形上以及实施其他约束来改进性能。实验结果表明，该方法优于基线模型，且采用简化模型即可达到与最先进方法相当的结果。

Dec, 2018

通过projective generative adversarial network（PrGAN）模型，我们可以在无监督学习的情况下，从提供的二维视图中推断出三维形状的概率分布，包括形状、视角和新的视图。

Jun, 2019

本文研究了从未观察到的物体实例的可变数量的RGB视图学习特定类别的3D形状重建问题，并提出了一种可以估计密集3D形状并在多个和不同数量的输入视图上聚合形状的方法。

Jul, 2019

本文提出了一个无监督类别特定网格重构学习框架，可以从一组没有3D地面真实值的图像中恢复出物体的3D形状、姿态和纹理，并维护了一个优化的摄像机假设集以更好地解释给定形状和纹理的图像, 并在CUB、Pascal 3D和新的网页抓取数据集上获得了最先进的摄像机预测结果。

Jul, 2020

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

通过构建先验库和分析输入和先验之间的相关性，本文提出了一种弱监督框架来从未见过的类别中重建完整的3D形状，并通过自监督形状细化模型进一步改进了粗糙形状，实验证明我们的方法明显优于现有方法。

Jan, 2024