通过 Pix3D 数据集，我们在三个方面对单张图像进行 3D 形状建模进行研究：建立了包含图片和对应 3D 模型对的大规模基准数据集，对 3D 形状重建的评估标准进行了校准并设计了一种新的模型，该模型在 3D 重建和姿态估计任务上均实现了最先进的性能。

Apr, 2018

本文介绍了 “Fantastic Breaks (和它们在哪里找到)” 数据集，该数据集包含 150 个 3D 损坏的物体的扫描、防水和清理网格，以及完整对应物体的几何对齐。通过对破裂几何的详细分析，揭示了 Fantastic Breaks 和使用基于几何学和基于物理的方法生成的合成断裂数据集之间的差异，并使用该数据集进行了实验形状修复评估。

Mar, 2023

本文提出了 DeepMend，一种使用学习占用函数重构断裂形状的新方法，其中断裂表面的占用被建模为神经网络的潜在代码函数，根据输入断裂形状的占用样本，利用惩罚项进行推断损失，重构了修复形状。与现有方法相比，DeepMend 在精度和避免修复的非破损区域中的遗留问题方面展现了最先进的结果。

Oct, 2022

本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。

Aug, 2020

本文提出了一种基于 3D 点云的、不考虑物体类型和外形信息的两两组合方法，用于重新组装不同类型的残缺物体。

Jun, 2023

该研究提出了一种从单个 RGB 图像中恢复三维形状结构的方法，包括由立方体表示的形状部件和涵盖连通性和对称性的部件关系，并通过卷积递归自编码器实现编码解码过程，最终通过对立体多边形层次结构的恢复实现了对单个视角二维图像的恢复。

Apr, 2018

提出了一种名为 Pix2Vox ++ 的新框架，用于从单视角或多视角图像恢复 3D 物体，使用编码器 - 解码器生成初始 3D 体积，并引入了多尺度上下文感知融合模块自适应地选择高质量的重建部分，以获得融合的 3D 体积，并进一步采用提炼器来选择性地探测出融合的 3D 体积中错误恢复的部分，最终得出鲁棒性和有效性均优于现有方法的结果。

Jun, 2020

该文章介绍了 Jigsaw 框架，该框架是一种用于将多个部件的物理断裂的 3D 对象组装起来的方法，并且通过分割、匹配和全局对齐的方式来提高其性能。该方法是一种第一次基于学习的方法，专门用于多个部件的 3D 断裂组装。

May, 2023

本文的研究目的是从单个图像中推断出物体的三维形状，为了实现这一目标，本文使用雕塑作为实验数据集，并基于多视角几何（MVG）的成功经验，提出了一种新的损失函数，利用图像与图像之间的对应关系训练深度网络，完成端到端的单张图像深度估计任务。同时，为了自动地生成大规模的多视图对应数据集，本文提出了一种数据处理方法。在多种雕塑的数据集上的实验表明，本方法可以从单张图像中推断出新物体的三维形状，并且在测试时可以泛化到新的领域（如合成图像）中。

Sep, 2018

本篇论文介绍了一种基于单张 RGB 图像的包裹几何形态重建及损坏检测方法，并提出了 Parcel3D 和 CubeRefine R-CNN 两个创新性的算法和数据集用于检验所述方法的可行性和准确度。

Apr, 2023