我们提出了一种自监督的，单视图三维重建模型，通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势，该方法不需要三维监督，手动注释的关键点，物体的多视图图像或先前的 3D 模板，通过自监督地学习分类特定图像的部分分割，我们可以在重建网格与原始图像之间有效强制实现语义一致性，从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义，并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。

Mar, 2020

该篇论文提出一种无需直接监督的学习单视角形状和姿态预测的框架，通过利用未知姿态的多视角观察信号进行训练，并在训练中在同一实例的两个视图之间强制实施几何一致性来独立预测形状和姿态，从而学习在新出现的标准框架中预测形状和相应的姿态预测器。在使用 ShapeNet 数据集时，取得了与先前依赖更强监督形式的技术相当的鼓舞人心的竞争成绩。此外，还展示了该框架在现实环境中的适用性，该环境超出了现有技术范畴：使用由在线产品图像组成的训练数据集，在这些数据集内，底层的形状和姿态是未知的。

Jan, 2018

该研究提出了一种新的框架，可以在只有 2D 图像且每个实例只有一个视角的情况下，从单张图像中进行特定类别的三维重建和新形状的生成，并支持较弱的监督。采用网格作为输出表达方式，利用光照参数和明暗信息进行训练，支持对洼地的物体类别进行学习。通过五项应用评估，发现该方法的性能表现优于现有的一些方法。

Jan, 2019

研究了 3D 形状和 2D 观察之间的一致性，并提出了一种可微分的公式，能够计算给定任意视角观察的 3D 形状的梯度；通过重新定义可微的 Ray 一致性（DRC）项，可以将视图一致性重新推导出来。这种公式可以结合不同类型的多视图观察，如前景掩模、深度、彩色图像、语义等，作为学习单视角 3D 预测的监督来使用，我们在控制性的实验中证明了我们技术的实用性。同时，我们还表明，这种方法可以改进从 PASCAL VOC 数据集中对物体进行单视图重建的现有技术。

Apr, 2017

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

提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

May, 2020

论文提出了一种统一框架，用于解决单幅图像特定类别的 3D 重建和新 3D 形状生成的问题。该方法支持弱监督学习，只需要单个实例的 2D 图像，使用网格作为输出表示，并利用光照信息提高了性能。实验结果表明，该方法在定量度量上与最新的基于体素方法相当或优于，而且结果更加美观，并且在弱监督学习方面表现良好。

Jul, 2018

本文提出了基于多视角几何一致的自监督训练架构，目标是在面部姿态和深度估计过程中提供可靠的约束。实验结果表明，该方法在面部姿态、表情和光照等方面的变异下都表现出优越性。

Jul, 2020

本文提出一种综合学习多视图几何和视图间扭曲的技术，适用于鲁棒的跨视图物体检测，结合图像外貌和几何学软约束的单一多视图检测过程可通过新的大尺度公开数据集进行验证，在城市全景下呈现出优秀性能，具有跨视图物体识别和重新识别、定制化多视图实例检测的注解工具和新的综合多视图检测和重新识别多种贡献。

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