提出一种新模型 HumanMeshNet，它在多分支、多任务设置下，通过回归模板网格的顶点以及使用三维骨架位置进行规则化，隐式地学习了网格表示，从而实现虚拟、增强现实平台、动画行业、电子商务领域等方面的实时重建，并在三个公开数据集上展示了可比较的表面精度和关节误差性能。

Aug, 2019

本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

Nov, 2017

本文解决从单张图像中估计 3D 人体姿态和形状的问题，提出在保留 SMPL 模板网格拓扑的同时，使用 Graph-CNN 直接回归网格顶点的三维位置，与基于模型参数回归的可比较基线相比，我们的方法具有更好的效果。

May, 2019

本文首次尝试从稀疏的 LiDAR 点云中估计 3D 人体网格，提出了一种有效的稀疏到稠密重建方案，并通过引入图形变换器来更好地利用点云的 3D 结构信息，实验证明了该方法的有效性。

Nov, 2023

本文提出了一种端到端可训练模型，以单个 RGB 图像感知 3D 场景，估计相机姿态和室内布局，并重建人体和物体网格。通过对所有估计方面施加全面而复杂的损失，我们证明了我们的模型优于现有的人体网格方法和室内场景重建方法。据我们所知，这是第一个在网格级别输出对象和人体预测，并对场景和人体姿态进行联合优化的模型。

Dec, 2020

我们提出了一种从由 360 度校准相机组拍摄的一组稀疏视图中重建 3D 物体的新方法。我们通过混合模型，使用基于 MLP 的神经表示和三角形网格，表示对象表面。我们工作的一个关键贡献是一种新颖的以对象为中心的神经表示采样方案，其中的光线在所有视图之间共享。这种采样方案通过网格表示确保样本沿法线方向分布均匀。然后，通过可微分的渲染器高效地进行渲染。我们证明了这种采样方案能更有效地训练神经表示，不需要额外的分割蒙版的监督，能获得最先进的 3D 重建结果，并且适用于 Google 的 Scanned Objects、Tank and Temples 和 MVMC Car 数据集的稀疏视图。

Sep, 2023

提出了一种用于从单个 RGB 图像进行 3D 人体重建的基于图像引导的体积到体积的转换 CNN，通过 SMPL 模型生成密集的语义表示来减少与表面几何重建相关的歧义，将不同尺度的图像特征融合到三维空间中，并通过法线细化网络来进一步提高可见面细节的精度，使用所提出的体积法向投影层将其连接到体积生成网络中，并使用其中包含的 3D 真实世界人体模型数据集进行训练，实验表明该方法在前沿方法中表现优异。

Mar, 2019

我们提出使用密集对应将人体模型的初步估计与相应的图像生成关联，以便优化初步估计的过程。我们将 3D 模型的渲染结果用于预测合成图像与 RGB 图像之间的像素级 2D 位移，从而有效地整合和利用人体外观信息。通过最小化投影损失，我们可以将像素级位移转化为可见顶点级位移，并用于三维模型的优化。在 3DPW 和 RICH 上，我们通过不同的优化过程对多个模型的初步估计进行了优化，结果表明我们的方法不仅能够使图像与模型更好地对齐，还能提高三维的准确性。

Mar, 2024

使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

Dec, 2016

通过采用点云作为目标几何结构的中间表示，该研究论文调查了一种名为 HaP 的显式基于点云的人体重建框架，通过完全显式地进行点云的估计、处理、生成和优化来解决现有学习方法在灵活性、普适性、稳健性和表达能力方面的局限性。

Nov, 2023