本文提出了一种基于 CAD 模型的方法，结合现有的大规模三维模型数据集，构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法，并且证明了与现有技术相比，该方法在真实世界图像中有着优势。

Jul, 2020

本文介绍了一种用于三维目标姿态估计的新方法，将 RGB 图像与 CAD 模型匹配以实现目标姿态估计，通过学习选择关键点并保持视角和模态不变性的目标，消除了对昂贵的三维姿态注释的需求，并通过大量实验证明了该方法能够可靠地估计 RGB 图像中的目标姿态以及推广到训练期间未看到的目标实例。

Nov, 2018

通过使用 FastCAD 方法，可以实时地检索和对齐给定场景中的所有对象的 CAD 模型，同时预测对齐参数和形状嵌入，加快了推理时间并提高了 3D 重建和对齐的准确性。

Mar, 2024

我们提出了一种自动化和高效的方法，用于检索通过移动 RGB-D 相机捕获的场景中物体的高质量 CAD 模型及其姿势，并使用渲染对比和蒙特卡洛树搜索算法实现了物体检索、CAD 模型和姿势估计的快速搜索。

Sep, 2023

该研究在处理 CAD 模型和多个物体出现在视频场景中的对齐问题中，提出一种基于神经网络和多视角约束的方法，自动恢复每个物体的九自由度姿态参数，提高物体的位姿参数估计精度，重建单个 CAD 表征的场景，与现有单帧方法进行比对，在 Scan2CAD 数据集上提高了 11.6％至 30.7％的类别平均准确性。

Dec, 2020

该研究提出了一种结合了深度学习和三维几何的方法，利用未带纹理的 CAD 模型和不需要针对新对象进行训练的方法，检测和估计图像中物体的 3D 姿态，并利用 Mask-RCNN 实现无需重新训练的对象检测，从而限制可能的对应关系数量。实验结果表明，该方法与之前的方法相当或更好。

Oct, 2020

Scan2CAD 是一种数据驱动的方法，可以学习将形状数据库中的 3D CAD 模型对齐到商品 RGB-D 扫描的噪声和不完整几何形状中，其可用于室内场景的三维重建。该方法使用三维卷积神经网络来预测 CAD 模型与其对应扫描对象之间的对应关系，并通过变分能量最小化将 CAD 模型与重构对齐，其在 Scan2CAD 基准测试中表现优异。

Nov, 2018

本文介绍了 ScanNet 数据集的构建，该数据集包含 2.5M 的视图和 1513 个场景，提供了 3D 摄像机姿势、表面重构和语义分割等信息，并表明使用此数据集可以在 3D 场景理解任务中实现最先进的性能。

Feb, 2017

提出一种自动高效的 3D 目标重建方法，利用先验 CAD 模型，通过本文贡献的局部隐式形状模型（LISM）的对象检测方法，可从小型或大型（125m³）物体上高精度重建。

May, 2017

本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

May, 2023