本文提出了一种新颖的 3D 形状签名来探索点云的形状信息，称为形状签名网络（SSN），并使用 SSN 进行 3D 物体检测，实验结果表明该方法表现明显优于现有方法，并具有良好的扩展性。

Apr, 2020

该研究提出了一种基于深度神经网络和形态感知的三维目标检测方法，利用二维关键点和对应的三维坐标以及二维 / 三维的几何约束提高检测性能，并在公共数据集 KITTI 上实现了最新的性能。

Aug, 2021

本篇论文提出了一种名为 SMOKE 的新型 3D 对象检测方法，该方法结合单点估计和回归 3D 变量来预测每个检测到的对象的 3D 边界框，不需要复杂的前 / 后处理、额外的数据和细化阶段，并且在 KITTI 数据集上性能优于现有的单目 3D 检测方法，为目前的最佳结果，同时代码将公开共享。

Feb, 2020

探索基础模型在 3D 形状的关键点检测任务中的应用，通过将大型预训练 2D 视觉模型的特征反投影到 3D 形状并利用它们来获取富含语义信息的稳健 3D 特征，然后使用关键点候选优化模块匹配形状上的关键点分布，该方法在 KeyPointNet 数据集上实现了少样本关键点检测的最新成果，几乎将之前最佳方法的性能翻倍。

Nov, 2023

本文提出了一种从单一 RGB 图像中检测和重构多个 3D 物体的方法，通过逐步优化检测、对齐和形状重构，选择最佳的几个候选形状，并采用轻量化的重构技术进行快速、端到端的训练。

Dec, 2020

本文提出了 KeypointNet，这是一个端到端的几何推理框架，用于学习一组最优的类别特定 3D 关键点及其检测器。 通过对一张单独图片，KeypointNet 提取出用于下游任务优化的 3D 关键点，我们在 3D 姿势估计方面展示了这种框架，并提出了一个可微的目标，以寻求在两个对象视图之间恢复相对姿态的最佳关键点集。我们的模型在对象类别的不同视角和实例之间发现了几何和语义一致的关键点，重要的是，我们发现我们的端到端框架在不使用地面真值关键点注释的情况下胜过使用相同神经网络架构的完全监督基线在姿势估计任务上，在 ShapeNet 的汽车，椅子和飞机类别上可视化出发现的 3D 关键点。

Jul, 2018

本文介绍了一种新型网络架构，利用前视图像和视锥形点云生成三维检测结果，使用 PointSIFT 模块和 SENet 模块来提高三维分割的性能和有效地估计三维边界框，实验结果表明该方法在使用高度稀疏的点云时比现有方法表现更优，广泛应用于室内和室外的实际场景中的三维物体检测。

Jan, 2019

本篇研究提出了一种基于关键点的方法，利用单个 RGB 图像进行三维目标检测和定位，该网络基于 2D 关键点检测和几何推理方法，同时估计 2D 特征和全局 3D 姿态，最终在 KITTI 数据集中达到了最好的性能表现。

May, 2019

本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

Feb, 2023

本文提出了 UKPGAN，一种基于自我监督的 3D 关键点检测器，通过生成对抗网络与显著信息提炼模块，定位出重要的关键点，进而对物体进行对齐和重建，实验结果表明本方法能够在不同的非刚性变形下处理 SMPL 人体，并具有较好的稳定性和几何注册性能，同时适用于真实场景下的物体检测。

Nov, 2020