- 野外自监督网格预测
该论文提出了一种从单张图像中推断物体的 3D 形状和姿态的学习方法，利用无定型图像集的分割输出进行监督，并采用体素表示和网格化表示相结合的方式进行形状 - 姿态分解和实例重建。
- CVPR利用形状进行类别划分：带有明显形状偏差的少样本学习
该研究提出了一种新的方法，通过学习 3D 物体形状来改进现有的低样本学习方法，并在多个数据集上证明了其有效性，同时介绍了最大种类数量的 3D 对象数据集 Toys4K。
- CVPRDECOR-GAN：通过条件精化实现 3D 形态细节化
介绍了一种称为 DECOR-GAN 的生成对抗网络，用于三维形状细节增强，通过几何细节的样式实现类似样式化。使用深度学习的方法，将低分辨率的形状增强为富有几何细节的高分辨率形状，从而保留了输入形状的总体结构，同时保证了样式代码的准确输入。
- SAMP：用于四维车辆重建的形状和运动先验
使用三维形状和运动先验来规范车辆的轨迹和形状，并通过在序列立体图像中施加共同的形状和运动模型，从而实现对车辆的姿态和形状的推断，得到了在 KITTI 数据集上的最新成果。
- CVPR局部深度隐式函数用于三维形状
本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。
- ICCV生成式潜在形状模型的几何分离
本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。
- 学习三维形状生成和匹配的基本结构
本文提出将形状表示为可学习的三维基本结构的变形和组合，并演示了学习到的基本结构在三维形状生成和匹配方面的显著改进，通过区块变形学习和点翻译学习两种方法，在 ShapeNet 对象重建和人体扫描之间的稠密对应估计中取得了比现有方法更好的结果。
- ICCVOperatorNet: 从差分算子中恢复三维形状
本文提出了一种基于学习的框架来从实际操作符编码的小型矩阵中重建三维形状，并引入了一种名为 OperatorNet 的新型神经网络，该网络以表示形状的一组线性操作符作为输入，并生成其 3D 嵌入。我们展示了这种方法在同一问题的纯几何方法中具有 - CVPR单视图三维重建的视角先验学习
该研究提出了一种训练鉴别器和重构器的方法，在重构器中使用先验知识来纠正未被观察到的视角，以便从任意视角重新构建形状。与目前最先进的方法相比，实验结果表明该方法在合成和自然图像数据集上表现更好。
- AAAI多视角三维形状检索的 Angular Triplet-Center Loss
本文提出了一种基于三角形中心角损失的度量损失方法，在 3D 物体检索任务中，通过优化形状特征之间的余弦距离，从而实现在类内距离较小、类间距离较大的目标，并在 ModelNet40 和 ShapeNetCore 55 等数据集上取得了最新的性 - 可微分点云的无监督形状和姿态学习
该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。
- 自适应 O-CNN：基于块的三维形状深度表示
提出了一种自适应八叉树卷积神经网络（Adaptive O-CNN），用于高效的三维形状编码和解码，通过不同于体素或八叉树方法以相同分辨率表示三维形状的方式，Adaptive O-CNN 在不同级别使用八分之一的八叉树表示，并在每个八叉树的八 - 多图表生成式表面建模
介绍了一种基于深度神经网络的三维形状生成模型，利用基于多参数化的张量数据表示来实现高质量的三维形状学习并生成新形状，适用于人体和骨 (牙齿) 形状生成。
- 从单 RGB 图像生成 3D 网格模型的 Pixel2Mesh
本文提出了一种基于图卷积神经网络的端到端深度学习架构，从单个彩色图像中生成三角网格的 3D 形状，并采用粗到细的策略、不同级别的网格相关损失来保证生成的几何形状具有良好的视觉效果和物理精度。
- 学习自由形变，用于三维物体重建
本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建 3D 形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在 3D 语义分割中的应用。
- 从图像集合学习类别特定的网格重建
本文提出一种学习框架，可以从单个图像中恢复物体的 3D 形状、相机、和纹理，使用一个可变形的 3D 网格模型来表示形状，在不依赖于地面真值 3D 或多视图监督的情况下，利用注释的图像集进行训练并学习 3D 预测机制与可变形模型。作者还展示了 - 学习四边形片以进行 3D 形状参数化和补全
通过表面贴片定义一种新颖的三维形状参数化方法，并提出了字典学习和贴片重建的新方法，在 3D 形状修补、去噪和压缩方面取得了好的效果。
- ICCV旋转子群投票与姿态聚类用于鲁棒的三维物体识别
研究了基于局部形状特征的 3D 形状关联性及其在物体识别中的应用，提出了基于核密度估计的鲁棒姿态估计方法，并在含有噪声、杂波和遮挡情况下获得了更好的表现，为基于点云数据的 3D 物体识别设立了新的标杆。
- ECCVShapeCodes: 将视角提升至视图网格以进行自我监督特征学习
本论文介绍了一种无监督学习方法，将三维形状信息嵌入到单视图图像表示中，通过使用单个 2D 图像的自监督训练目标，在没有人工语义标签的前提下，鼓励表示捕捉基本形状原语和语义规律，最终学习得到一个强大的表示方法，可以成功进行物体识别和 “心理旋 - 3D 物体生成和重建的改进对抗性系统
本研究提出了一种新方法，用于通过生成式对抗网络（GAN）训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的 Wasserstein 距离作为训练目标，从而从联合对象形状分布中获得更好的生成效果，并在与现有