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

介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

Dec, 2018

利用神经网络学习基于多模板的变形空间，用于形状生成、几何样式转换、无监督学习和形状插值等应用。

Jun, 2020

本文旨在以无监督的方式学习拓扑变异物体的密集三维形状对应关系，引入了一种新的隐式函数，该函数为每个三维点生成一个部分嵌入向量，实现对点的密集对应，通过面向部分的逆函数将部分嵌入向量映射到对应的三维点上，结合几个有效的损失函数进行联合学习。在推断期间，用户选择源形状上的任意点时，算法可以自动生成相应点的置信度分数和语义点，有效提升人造物体的形状分割及无监督三维语义对应。

Oct, 2020

本论文提出了Deformed Implicit Field (DIF) 表示法来建模3D物品的形状，实现物品之间稠密的对应关系。DIF-Net神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的Deformation Field来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。

Nov, 2020

本文介绍了一种基于无监督和端到端深度学习的框架CorrNet3D，以学习3D形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

该文利用不同层次的位置先验信息从输入的深度图中提取详细的局部信息并进行组合，从而改进了新颖形状的泛化能力，具有更好的泛化性能。

Apr, 2021

本文提出了一种基于监督学习的3D感知图像形变方法，使用预测形状Laplacian和用户定义的形变handles计算出有限的biharmonic权重来模拟合理的基于handles的图像形变。

Mar, 2022

利用 LIST 神经网络架构，借助局部和全局图像特征，精确地从单张图像中重建 3D 物体的几何和拓扑结构，既可以预测目标物体的粗糙形状，又能通过隐式预测器准确地预测任意点与目标表面之间的有向距离，模型在重建合成和真实世界图像中的 3D 物体方面表现出卓越的优势。

Jul, 2023