使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

Dec, 2016

本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

Jun, 2017

使用深度条件形状模型 2.0，结合边缘检测器和基于边缘图的隐式形状函数，在低数据环境中实现医学图像分割的高效率，从而提高数据利用率并取得了比基准方法更好的性能。

Jun, 2024

本文介绍了一种基于 U-net 模型和 HED 架构的方法，用于通过提取形状像素中的骨架像素来训练模型，以达到准确提取 89 种不同物体的骨架的目的，其 F1 分数达到了 0.77。

Jul, 2019

使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

Apr, 2023

本文提出了一种基于深度学习的方法，通过 2D 正交视图来实现 3D 人体形态的重建，使用二进制掩膜图像即可快速创建数字化人物，并可应用于 3D 游戏、虚拟现实、在线时装购物等领域。

Jun, 2018

使用形状自编码器和自动化的多标签分割方法，本研究探讨了骨质疏松性骨折的及时诊断，以及通过学习形状特征来改善骨骼退行性畸形的可靠性和减少标注的需求。

Dec, 2023

采用密集的几何形状表示，通过使用完全卷积的架构，我们提出了一种联合学习标记点和语义分割的方法，并证明其在困难的标记点检测任务中优于热图回归的先进方法，无需对标记点进行显式训练，在不需要重新训练的情况下可以添加新的标记点。

May, 2024

该研究将形状匹配视为度量学习，使用卷积神经网络进行实现，在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化，基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务，对象类别或领域学习不同的方法不同，该方法在所有实验中使用相同的网络，取得了最先进的结果。

Sep, 2017

本文提出了一种深度学习交互分割方法，通过将用户交互与 CNN 结合，使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性，并将用户交互作为硬约束集成到反向传播式 CRF 中，以实现在更高的精度下减少用户干预的目的。实验结果表明，与传统的交互式方法相比，该方法在自动 CNN 分割的基础上实现了大幅提升，并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。

Jul, 2017