通过融合视觉和触觉观测以及来自大规模形状数据库的先验知识，我们提出了一种高效的模式，从单视角彩色图像和少量触索中构建常见物体的三维形状，以帮助机器人更好地执行实际操作。

Aug, 2018

了解人类对 3D 形状的推断在神经可映射计算架构中的基础，并强调未来研究的重要问题。

Aug, 2023

该研究提出了一种基于自下而上的识别系统和结构符号化程序的 3D 形状程序，通过自监督方式对 3D 形状程序进行学习，具有在不同领域中高精度的 3D 形状重建能力，结合图像到 3D 形状模块，能够实现从 RGB 图像直接推断出 3D 形状程序并重建出更加准确和真实的 3D 形状。

Jan, 2019

该论文重新考虑了在形状重建中可能被忽视的 “边界” 线索以及其他已建立的约束条件，并通过多项用户研究和定量任务评估了这些线索相对于彼此的信息量，结果表明这些线索在未来的形状重建研究中提供了很多新的方向。

Dec, 2019

本文研究 3D 形状重建中视觉和触觉信息的多模式融合问题，并提出了一种基于图表的方法，该方法有助于提高重建质量，并且通过一个机器人手与 3D 物体的交互生成了一个仿真数据集。结果表明，利用视觉与触觉信号可以显著改善基准单一模态的重建表现，本方法优于替代模态融合方法并受益于所提出的基于图表的结构。

Jul, 2020

本文提出利用认知心理学的问题描述、理论和实验方法来解决现代深度神经网络的可解释性问题，并将发展心理学中关于儿童如何学习物体名称的分析应用到 DNN 模型中。发现在 ImageNet 分类任务上，表现良好的一次性学习模型也存在类似人类倾向于按照形状而非颜色对物体进行分类的偏向，并证明了认知心理学工具揭示 DNNs 的隐藏计算属性的能力。

Jun, 2017

本文研究计算机视觉中的一个基本问题，即如何从平面图像中推断出世界的内在 3D 结构，并提出一种统计推断的优化问题，通过考虑表面光滑、颜色均匀、光照自然等先验知识，提出一种能够从单张图像中还原场景属性，包括形状、反射率和光照等的技术。该方法包含多个计算机视觉问题的超集，并优于以前所有单独问题的解决方案。

Oct, 2020

本研究提出一种通用重建算法（GenRe），利用深度和轮廓等 2.5D 表示方法和球形和体素表示方法，旨在捕捉更通用，不受特定类别约束的形状先验知识，实验结果表明该算法可以很好地解决从单张图像还原 3D 形状，并且能够泛化到未在训练中见过的多种不同类别的新物体。

Dec, 2018

该论文研究通过拟合贝叶斯假设模拟人类感知能力，以识别基于视图的 3D 物体，并实现了感知计算。

Nov, 2022

本文概述了近期关于形状分析的技术，探讨了以高维空间中的点为形状的方法，借助合适的度量计算给定形状的变形范围，进而比较与分类 3D 对象、计算对象间的平滑变形并模拟与探索形状变异。提出该领域的发展方向及应用前景，涉及数学、统计学、计算机视觉与图形学、医学图像分析等领域。

Dec, 2018