提出了一种使用散乱和无序关键点实时估计线性可变形物体形状的强鲁棒方法，并通过模拟实验和真实世界实验验证了其在追踪和估计复杂情况下的稳健性。

Mar, 2024

Deformable PV-RCNN 利用 2D deformable convolution networks 设计的 proposal refinement module 以及 context gating 机制，实现适应不同目标尺度和点云稠密度的高效 3D 物体检测。

Aug, 2020

通过使用单个消费级 RGB-D 传感器以实时速率进行动态几何形状的重建，我们提出了一种新的方法，该方法不需要预定义的形状模板，并且在扫描过程中从头开始构建场景模型。采用了体积表示法对几何和运动进行参数化，并且基于提取的稀疏颜色特征与密集深度约束公式相结合实现了运动跟踪。从而保证了准确跟踪并大大降低了标准模型到深度对齐固有的漂移。同时，我们还将寻找空间最佳变形视为非线性正则化变分优化问题，并通过在本地平滑和靠近输入约束的同时实现了数据并行的翻转优化策略。研究结果表明，即使在快速运动和缺乏几何特征的场景下，也能实现稳健的跟踪。

Mar, 2016

该研究论文介绍了一种动态场景重建的新型双阶段流程，通过绕过遮挡的限制，持续捕捉不断演化的场景几何形状，从而增强整体抓取规划过程，并使最先进的 6 自由度机器人抓取算法展示出明显的改进精度。

Apr, 2024

本文提出了一种从单一 RGB 图像中检测和重构多个 3D 物体的方法，通过逐步优化检测、对齐和形状重构，选择最佳的几个候选形状，并采用轻量化的重构技术进行快速、端到端的训练。

Dec, 2020

在可变形物体操作中，我们常常需要与仅在非变形模型中定义的物体特定部分进行交互。因此，我们需要一个能够识别和定位这些物体特定部分的系统，并使用变形物体注册来实现。最新的方法利用神经占据函数通过与物体重建进行注册来改进变形物体注册。进一步地，我们提出了一个除了重建之外还可以学习分割重建物体的系统。由于生成的输出已经包含了关于物体特定部分的信息，我们可以跳过注册过程。通过在模拟和真实世界中的各种可变形物体上的测试，我们演示了我们的方法学习到了鲁棒地找到这些物体特定部分。我们还引入了一个简单的采样算法来生成更好的训练数据用于占据学习。

Nov, 2023

本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建 3D 形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在 3D 语义分割中的应用。

Mar, 2018

该论文介绍了一个实时分割和重构系统，利用 RGB-D 图像生成准确而详细的物体三维模型，可以应用于增强 / 虚拟现实、室内设计、城市规划、道路辅助和安全系统等领域。通过采样连续帧以减少网络负载并确保重构质量，采用多进程 SLAM 管道实现并行三维重构，并使用了业界领先的 YOLO 框架进行实例分割，以提高性能和准确性。该系统在室内环境中建立了一个强大的实时系统，对物体分割和重构具有重要的增强效果，也可以扩展到室外场景，为实际应用开辟了众多机会。

Nov, 2023

通过分析三维点云中的对象几何形状（简单和复杂），提出了一种基于 PointGrasp 的实时系统，用于识别日常生活中的家居场景，并支持和增强日常活动中的定制化端到端抓取任务，实现可达对象的定位和识别。该系统在简单和复杂几何形状的情况下，平均 RMSE 为 0.8±0.39 cm 和 0.11±0.06 cm，展示了在视觉驱动的机器人辅助康复手动任务中的潜力。

Mar, 2024

追踪物体的六维姿态，在物体本身或观察相机移动时，对许多机器人学和增强现实应用非常重要。在跟踪任务的严格时间限制下，我们提出了将物体追踪简化为加强点云（仅深度）对齐任务的方法。

Jul, 2023