该论文提出了一种结合深度、基于 patch 的表示和主动轮廓框架进行交互式边界提取的方法。作者使用了类别特定的卷积神经网络来训练向量预测器，以便指向感兴趣物体边界最接近的点，并使用 Sobolev 主动轮廓框架来演化轮廓。该方法在计算资源的使用方面非常高效，适合小型图形卡的使用，并在多个医学数据集和 PASCAL VOC 2012 数据集上进行了评估。

Jul, 2016

论文提出了两种解决方案：一种是通过预测目标表面上局部 SMPL 顶点的方向来预测模板与 3D 人体点云的对齐问题的新型神经场模型 LoVD；另一种是在测试时利用目标几何信息对骨干进行改进的首个自监督任务 INT。将它们结合成 INLoVD，这是一个在大规模 MoCap 数据集上训练的稳健的 3D 人体注册流水线，高效（不到一分钟）、在公共基准测试中稳定达到最先进水平，并在分布外数据上提供了前所未有的泛化能力。

Dec, 2023

本文提出了一种新的 3D 表示方法，神经向量场（NVF），该方法充分利用了显式学习过程和隐式函数表示的强大表示能力，通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍，进而提出了一个基于矢量量化的形状代码本学习方法，最终实现了在不同的评价场景下优于最先进方法的结果，包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。

Mar, 2023

本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

Jul, 2018

本文介绍了一种基于深度学习框架的三维医学图像配准方法，结合仿射配准和向量动量参数固定速度场（vSVF）模型，具有速度快、精度高、可对称变换等特点，在磁共振成像方面表现出了优异的性能。

Mar, 2019

使用基于对抗生成网络的模型，以轮廓为输入，在较少的像素输入下，对图像进行高保真重建，并实现了基于轮廓的图像操作，如简单的编辑可以实现复杂的面部表情变化。

Dec, 2017

我们提出了一种新的基于优化的 3D 人体模型拟合范式，采用每个点的神经场网络进行训练，结合梯度下降优化管道实现对穿着衣服的人体的拟合。与现有的方法相比，这种方法能够捕获到具有非常不同身体形状的人的潜在身体，并在 3D 模型拟合中实现了显着改进。

May, 2022

采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

Nov, 2017

本文介绍一种利用 DenseNet 和 SVM 进行每像素分类的边缘检测方法，并在 BSDS500 上验证了不同 CNN 层对每像素特征结合的效果。

Apr, 2015

该论文提出了一种自下而上的模型，用于同时找到图像中的许多边界元素，包括轮廓、角落和交点，并使用广义 M 形交将每个小区域的边界形状进行解释。通过非凸优化，使用一种新颖的正则化器对每个位置的 M+2 个交点值进行协同查找，同时在保留角落和交点的同时减少曲率，从而强制施加空间一致性。整个过程是同时进行轮廓检测、角 / 交点检测和区域外观的边界感知平滑，而其对轮廓、角落、交点和均匀区域的统一分析使其在高噪声水平下成功，而其他分割和边界检测方法则失败。

Nov, 2020