本文提出了一种基于运动捕捉数据集和大规模图像和视频数据集的半监督和自监督学习方法，利用运动和不同 iable 的语义身体部位对齐损失函数进行训练，来精确地估计单眼三维人体姿态和形状。实验结果证明，该方法优于现有技术，可用于广泛的真实场景。

Mar, 2020

该研究探讨了针对野外图像的单幅图像深度估计问题。研究使用人工标注表面法线进行训练，并使用两个新颖的损失函数进行训练。研究表明，该方法可以显著提高野外深度估计质量。

Apr, 2017

通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

Jun, 2024

SuperNormal 是一种快速、高保真度的多视图 3D 重建方法，利用表面法线图生成详细表面，通过多分辨率哈希编码和基于路径的射线行进来优化神经有符号距离函数 (SDF) 的体积渲染，相较于现有的多视图光度立体重建方法，在效率和准确性上表现卓越。

Dec, 2023

使用 2D 法线贴图进行弱监督的基于深度学习的方法，实现服装人体的三维重建。利用神经网络推断在休息姿势下围绕身体离散的四面体网格上的有符号距离函数 (SDF)，接着利用推断得到的姿势和相机参数生成法线贴图。通过 Marching Tetrahedra 从四面体网格上的 SDF 计算出一个三角化表面，从而方便进行微分计算（反向传播）。因此，仅凭借真实的法线贴图（没有体积信息的真实数据），我们就可以训练网络从相应的 RGB 图像中生成 SDF 值。可选择性地使用多视角损失以改善结果。我们展示了该方法在网络推断和三维重建方面的有效性。

Nov, 2023

本文提出了一种针对复杂的人体部位像素回归问题的领域自适应技术，利用精选混合域样本构成的训练批次、深度批量规范化残差网络和多任务学习目标来缓解跨域间协变量漂移，实现了对 2.5D DensePose 估计和 3D 人体表面法线估计任务的实际到仿真转移，并在多人 DensePose MSCOCO 基准测试中超越了基于真实图像的 State-of-the-art 方法，从而提出了一种互补于现有领域自适应技术的方法，可以应用于其他密集像素姿态估计问题。

Jul, 2020

本论文提出了一种基于 RGB-D 图像的表面法向估计的分层融合网络和自适应特征再加权，设计了混合多尺度损失函数来学习准确的法向估计，实验证明了该方法在场景理解中的有效性。

Apr, 2019

本文基于学习的方法提出一种多视角 3D 物体重建算法 FvOR，该算法利用神经网络模块快速、准确地估计 3D 几何和相机位姿。我们在 ShapeNet 上进行了大量测试，结果表明该方法不仅取得了最佳的重建效果，而且比目前最新的 IDR 算法快两个数量级。

May, 2022

利用表面法线预测和外观线索从大型 CAD 库中检索 2D 静态图像中所描述的物体的 3D 模型，该模型基于预训练 Oxford VGG 卷积神经网络（CNN），实现了关于表面法线预测的 NYUv2 RGB-D 数据集的最新准确性，并在姿态和风格的联合学习中实现了所述的 3D 模型检索操作。

Apr, 2016

通过学习来自立体视频序列的训练数据，基于单个 RGB 图像预测可见和被遮挡的可通过物体表面的几何形状，所采用的图片到图片网络可有效预测用于机器人或增强现实代理的路径规划任务，并验证了预测结果。

Apr, 2020