本文提出了一种融合低质量 3D 数据的人脸识别系统，通过设计 PointNet-like 深度注册网络（DRNet）和 AMSoftmax 卷积神经网络，实现更高的准确率。

Oct, 2018

提出了一种从单个三维网格构建生成模型并通过无监督低级别学习从二维图像中改进的方法，该方法生成了一个 3D 可变形模型，该模型由高斯过程表示形状和色调，从单个扫描或模板构建 3D 可变形模型的方法比以往的方法更优秀， 并已在面部领域得到了证明。

Mar, 2022

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019

提出了一种基于自监督学习的预训练方法，使用仅图像的人类中心数据对模型进行训练，通过学习关于 3D 和人体运动的先验知识，在一系列人体相关任务中优于现有的自监督预训练方法，并在模型基于和不基于模型的人体网格重建的精调任务上达到了最先进的性能。

Nov, 2023

针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

Aug, 2019

本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

Apr, 2018

本文提出了一种创新框架来实现从不同 3D 扫描数据库中共同学习非线性面模型，并建立其扫描之间的稠密点对点对应关系，通过使用 PointNet 架构将输入扫描作为无组织的点云进行转换，从而恢复其 3D 面形，并采用弱监督学习方法来提高方法的稠密对应和表征能力，有助于单帧 3D 面重建。

Feb, 2019

本研究提出了一种零样本点云配准方法 ZeroReg，通过将图像特征从关键点传递到点云中，利用 3D 几何邻域信息构建时引入的图像特征来解决传统方法中需要在特定数据集上进行训练的问题，因此，ZeroReg 可在点云配准任务中实现出色的性能。

Dec, 2023

该研究提出了一种新的注册框架 HumanReg，通过学习两个人体点云之间的非刚性变换，引入了身体先验来有效处理这种类型的点云。与大多数现有的需要昂贵的点对点流注释的监督注册技术不同，HumanReg 可以以自我监督的方式进行训练，借助一组新的损失函数。为了使我们的模型更好地收敛于实际数据，我们还提出了预训练策略以及一个由动态、稀疏人体点云及其自动生成的地面真值注释组成的合成数据集（HumanSyn4D）。我们的实验表明，HumanReg 在 CAPE-512 数据集上实现了最先进的性能，在另一个更具挑战性的真实世界数据集上实现了定性结果。此外，我们的消融研究证明了合成数据集和新的损失函数的有效性。我们的代码和合成数据集可在此 https 网址找到。

Dec, 2023

论文提出了两种解决方案：一种是通过预测目标表面上局部 SMPL 顶点的方向来预测模板与 3D 人体点云的对齐问题的新型神经场模型 LoVD；另一种是在测试时利用目标几何信息对骨干进行改进的首个自监督任务 INT。将它们结合成 INLoVD，这是一个在大规模 MoCap 数据集上训练的稳健的 3D 人体注册流水线，高效（不到一分钟）、在公共基准测试中稳定达到最先进水平，并在分布外数据上提供了前所未有的泛化能力。

Dec, 2023