描述了一种将复杂、混乱的室内场景解析为简化的基本结构的方法。这种方法使用学习回归过程将场景从 RGBD 输入解析为固定数量的凸多边形，并可以选择性地接受分割以改善分解。然后使用下降方法调整凸多边形以获得很好的拟合度，并贪婪地去除冗余的基本结构。因为对整个场景进行了解析，所以可以使用传统的深度、法线和分割误差指标进行评估。评估过程表明，我们的基本结构表示的误差与从单个图像预测深度的误差相当。

Jul, 2023

从一组图像或单目视频中联合估计相机姿态和密集几何，由于其计算复杂性和固有的视觉歧义，仍然是一个具有挑战性的问题。我们通过一种新的图像表示方法 ——SuperPrimitives 来解决这个问题，这些 SuperPrimitives 是通过将图像分割为语义相关的局部区域并利用最先进的单幅图像神经网络预测的表面法线方向来增强的。这提供了每个 SuperPrimitive 的局部几何估计，而它们的相对位置则根据多视角观察进行调整。我们通过解决深度补全、少视角的结构运动和单目密集视觉里程计三个三维重建任务展示了我们新表示方法的多功能性。

Dec, 2023

通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

Mar, 2024

本文提出了一种基于分解的生成模型，通过引入无监督的原始发现算法和基于高阶条件随机场模型的生成模型，可以从粗到细先后进行三维形状的生成，从而实现了对新形状生成表示能力的提高和更好的样本质量。

Jun, 2019

通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

Mar, 2023

本研究提出一种基于图像的方法，通过对纹理强的 3D 原语进行优化，得到了简单、紧凑且具有操作性的 3D 世界表示，并比较了该方法与现有方法在真实场景中的表现。

Jul, 2023

Blocks2World 是一种新颖的 3D 场景渲染和编辑方法，通过凸分解和条件合成的两步过程，从各种物体中提取 3D 平行四边形来获取场景的原始表示，进而通过简单的射线追踪深度图来生成配对数据，最后训练条件模型，学习从 2D 渲染的凸多边形到图像的直接映射，从而实现对新颖场景和编辑场景的出色控制和综合。

Jul, 2023

本文提出了一种非参数贝叶斯统计方法用于从点云中推断抽象的三维形状，包括未知数量的基本几何基元，并展示了该方法的实验结果比现有方法更准确且具有普适性。

Mar, 2022

本文提出一种神经网络模型（Supervised Primitive Fitting Network），此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法，该模型在测试中表现更好。

Nov, 2018

该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

Apr, 2020