- 基于交互的带有物体内部的主动三维重建
利用感知、机器人对象交互和三维扫描的积极三维重建方法，恢复目标三维物体的外部和内部几何结构，通过分析各部分的互动性和机器人的部分操作来扫描遮挡区域，自动化操作通过内嵌 RGBD 传感器的 Fetch 机器人完成，最后重建所有未暴露的非活动部 - SepicNet：基于曲线参数推断的三维形状锐边恢复
介绍了一种新的深度网络 SepicNet 用于检测和参数化 3D 物体的棱角，包括一种自适应点云采样技术，通过大规模数据集的实验表明该方法的边缘检测效果优于现有技术。
- CVPR单光子结构光
通过使用 Single Photon Avalanche Diode（SPAD）阵列和 “Single-Photon Structured Light” 技术，结合高速二值投影仪，实现了高帧速率和低光水平下的三维扫描，同时通过设计能抵消误差 - ICLR深度点云重建
该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。
- ICCV深度 Hough 投票法用于鲁棒的全局注册
本文提出了一种有效而健壮的方法，利用 Hough 投票在 6D 转换参数空间中实现三维扫描点云的成对配准，该方法通过提取几何特征从点云对中计算出假设的对应关系，并考虑空间中的变换参数来构建成对间的对应关系，从而最终获得了自适应的变换参数。
- CVPR通过解耦精细化的方式进行点云上采样
该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云，提出了一种基于多目标的两级级联网络，包括稠密生成器和空间细化器，能够生成密集的均匀点集，同时修补小洞并调整每个点的位置，结果表明该方法优于现有技术。
- H3DNet：使用混合几何基元进行３D 目标检测
H3DNet 是一个用于物体检测和识别的卷积神经网络，通过预测一组混合的几何图元，即 BB 中心，BB 面中心和 BB 边缘中心以实现更准确的物体边界框检测，并利用匹配和细化模块将物体边界框分类为检测到的对象并对其几何参数进行微调。
- Rescan: 室内 RGBD 扫描的归纳式实例分割
我们提出了一种算法，它可以通过分析建筑内部的 3D 扫描结果和语义实例信息，对建筑中的物体进行追踪，最终的实验结果表明，我们的算法在这一领域取得了比当前最先进网络更出色的表现。
- 基于预测的广义图傅里叶变换在动态点云属性压缩中的应用
本文提出了一种用于三维动态点云属性的完整压缩框架，主要关注于优化交叉编码。通过使用先前提出的内部编码和离线训练的 λ-Q 模型，我们从速率失真优化中确定最佳编码模式。实验结果表明，与竞争性的动态点云压缩方法相比，平均比特率降低了约 17％。
- ICLR使用对抗训练在真实扫描上完成未配对点云
本研究提出了一种无需配对训练数据的方法，可以直接应用于真实扫描的点云数据中，可在不同程度的数据不完整情况下完成相对真实的扫描。
- CVPR基于学习的 ICP 场景重构
使用深度传感器在房间中捕获对象的 3D 模型，采用基于深度强化学习的学习式 ICP 方法对 CAD 模型进行对齐，优于先前文献中的 ICP 方法，能够在实际场景中实现高质量结果的对象对齐。
- ECCVSRDA: 通过扫描，推理和域自适应生成实例分割注释
利用三维扫描、推理和基于 GAN 的领域自适应技术相结合，提出了一种名为 SRDA 的新型管道，以获得大量的训练样本，从而在人工成本极低的情况下实现像素级实例分割的良好性能。
- ScanComplete: 3D 扫描的大规模场景完成和语义分割
ScanComplete 采用数据驱动方法，输入不完整的 3D 扫描场景数据，预测出完整的 3D 模型并附带像素级语义标签，主要贡献在于处理空间范围不同的大型场景，并且在完成质量和语义分割性能等方面都显著优于其他方法。
- ICCV无人机三维扫描的子模型轨迹优化
该论文介绍了一种利用数学模型自动生成无人机飞行轨迹，全面准确地扫描物体表面，从而生成高保真的 3D 模型。作者使用了覆盖度等数学原理，进行路径规划，可以自动权衡机器人特性和覆盖度，有效避免撞墙等情况。
- BundleFusion: 实时全局一致性 3D 重建，采用即时表面重整
提出了一种新的实时端到端重建框架，通过一种高效的分层方法考虑 RGB-D 输入的完整历史，优化单帧的全局相机姿态，同时支持稳健跟踪和全局一致的建模，实现了全球最佳实践的实时建模，成为大型室内环境的综合在线扫描解决方案，实现了易于使用和高质量