本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

Dec, 2018

本研究提出了一种新型的神经隐式表示方法，旨在有效地对人体的关节运动进行建模、重构和合成，该方法利用具有局部感知能力的编码器 - 解码器结构将全身几何形状分解成局部身体部位，并学习局部复杂变形的神经隐式占据，同时考虑到身体部位的几何限制来提高姿态泛化能力，在 3D 环境中易于处理自相交和碰撞，实验结果表明，该模型在效率和准确性方面明显优于现有的解决方案。

Apr, 2022

通过提出一种新的 3D Occupancy 表示法 (OccNet)，并在 nuScenes 数据集上建立了 OpenOcc，我们方法能够有效地为多个驾驶任务提供有力的支持，并取得了显著的性能收益，例如运动规划可以实现 15％-58％的碰撞率降低。

Jun, 2023

本文提出 Occ$^2$Net，一种新颖的图像匹配方法，利用 3D 占用来建模遮挡关系，并推断出遮挡区域中的匹配点。通过在 Occupancy Estimation (OE) 模块中编码归纳偏差，简化了多视图一致的 3D 表示的引导启动，以便从多个视图中集成信息。结合 Occlusion-Aware (OA) 模块，它使用注意层和旋转对齐实现遮挡点和可见点之间的匹配，经过在真实和模拟数据集上的评估，展示了该方法在多个指标上的卓越性能，特别是在遮挡场景中。

Aug, 2023

通过对场景信息和先前知识进行建模，我们提出了一种新的方法来从 RGB-D 图像中重建带有遮挡的 3D 人体，通过建模可能的姿势空间并使用深度数据约束可见身体部分，我们的方法在 PROX 数据集上的实验结果表明，与其他方法相比，能够产生更准确和合理的结果。

Oct, 2023

本文提出了 GEOcc，一种适用于仅使用视觉的全景视图感知的几何增强占用网络，它通过将环视图图像转换为密集的三维网格内的集成几何和语义表示来实现对三维占用的感知，解决了目前模型面临的两个主要挑战：在二维至三维视图变换阶段准确建模深度，以及由于稀疏的 LiDAR 监督引起的泛化问题的缺乏。

May, 2024

使用器官注意力网络，结合反向连接，以 2D 视图特征分割 3D CT 体积中的腹部器官。统计融合不同方向上的 2D 视图，实现准确和鲁棒的分割结果。

Apr, 2018

本研究提出了一种新颖的深度架构和训练策略，利用图像集合学习本地特征流水线，无需人工监督；通过利用深度和相对相机姿态提示创建一个虚拟目标，并在一个图像上限制网络，同时保留不可区分性来优化网络。我们在室内和户外两个数据集上进行训练，并在稀疏特征匹配方面的模型性能表现优于现有技术，同时对 QVGA 图像运行速度达到 60+ fps。

May, 2018

本文提出了一种名为 DOC 的深度网络架构，它能在单个图像上检测物体边界并估计边界所有权，可用于恢复遮挡关系，并通过大规模实例遮挡边界数据集 PIOD 进行了验证。

Nov, 2015

本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

Mar, 2020