通过使用单目图像进行三维形状重建，我们提出了一种端到端深度学习框架，用于从食物图像中估计食物能量，其在公开的食品图像数据集 Nutrition5k 上评估结果显示，我们的方法具有竞争力的性能，只需使用 RGB 图像作为推理阶段的唯一输入。

Aug, 2023

本研究提出了一种新的框架，通过利用 3D 食物模型和场景中的物理参考，从 2D 图像中估计食物的容量和能量。该方法通过重现具有估计姿态的食物的 3D 模型图像，来估计输入图像中摄像头和食物物体的姿态。我们还介绍了一个新的数据集，SimpleFood45，其中包含 45 种食物的 2D 图像和相应的注释，包括食物的容量、重量和能量。我们的方法在这个数据集上的平均误差为 31.10 千卡（17.67%），表现优于现有的分量估计方法。

Apr, 2024

本研究旨在通过分析移动设备（如智能手机）捕获的食物图像来改进膳食评估的准确性，提出了一种新的基于卷积神经网络的食品图像识别算法，并将该方法应用于两个真实数据集（UEC-256 和 Food-101）中，取得了令人瞩目的结果。

Jun, 2016

本文提出了一种名为 MUSEFood 的新方法，利用智能手机的摄像头、麦克风和扬声器结合多任务学习框架，旨在解决估算食物容量准确度差的问题。实验证明，MUSEFood 可以高效地估算食物容量并具有比现有方法更好的性能。

Mar, 2019

本文介绍了使用智能手表和耳机麦克风进行摄入监测的新方法，并针对真实世界的数据集进行了评估。研究人员和用户可以了解到这些方法的发展及其在研究和实际应用中的应用前景和有效性。

Jun, 2022

本研究提出了一种端到端的多任务学习框架，可以同时实现食品分类和食品份量估计，通过使用 L2 范数的软参数共享和特征适应方法，提高了图像饮食评估的性能和预测准确率。

Apr, 2020

本文提出了一种通过使用 “能量密度地图” 和深度图来自动估算食物能量的技术，同时将其与基线方法相比较，实验结果显示其性能得到了显著提高。

Aug, 2022

准确的膳食摄入估计对于支持健康饮食的政策和计划至关重要，然而，自我报告方法存在严重的偏倚。为了解决这个问题，本文介绍了 NutritionVerse-Synth，这是第一个大规模的数据集，包含 84,984 张真实感合成的 2D 食物图像，以及相关的膳食信息和多模态注释。通过利用这些新颖的数据集，开发和评估了 NutritionVerse，包括间接基于分割和直接预测网络的各种膳食摄入估计方法。最后，发布了这两个数据集（NutritionVerse-Synth、NutritionVerse-Real），作为加速机器学习在膳食感知方面的开放倡议的一部分。

Sep, 2023

我们的研究介绍了一种创新的基于图像的饮食评估系统，采用先进的图像分割和分类技术来分析盘中食物、评估餐的健康性，并根据哈佛健康饮食盘的研究进行营养评估，从而为个人提供可操作的健康饮食建议，旨在促进更健康的饮食习惯。

Mar, 2024

该研究提出了一种基于视觉的方法，利用 2D 图像来估计食物重量，采用深度学习和计算机视觉技术，使用 Faster R-CNN 进行食物检测和 MobileNetV3 进行重量估计，该方法在提供准确食物重量估计方面表现出强大的能力，并可用于医疗保健、健身和智能食物存储等领域。

May, 2024