- 神经渲染的现状
本文是对神经渲染发展趋势和应用的一篇最新综述，该技术结合了计算机图形学和深度生成模型，以生成可控、逼真的输出，包括新视图综合、语义照片操纵、人脸和身体再现、重新照明、自由视角视频以及用于虚拟和增强现实遥感的逼真头像的创建等方面。我们还讨论了 - ECCV从部件结构条件中学习生成三维点云模型
本文介绍了一种从符号树表示生成 3D 点云几何形状的方法，提出了一种新的条件 GAN 模型（PT2PC），它将树部分作为条件并将其纳入架构设计中，以端到端方式学习形状生成程序，在用户研究中证明了本方法在生成感知合理和多样 3D 点云方面的优 - 非刚性三维人体模型的形状检索
本研究旨在对非刚性三维人体模型的形状检索算法进行基准测试，并通过添加新的训练集数据，对先前的检索算法基准测试结果进行更新和扩充。共使用了 25 种不同的形状检索方法进行实验，并在 FAUST 人体扫描数据集上进行测试。
- PolyGen: 一个三维网格的自回归生成模型
该研究论文介绍了一种基于 Transformer 的方法来直接建模多边形网格，并通过输入不同的对象类别、体素和图像等信息，生成可用的高质量网格，同时在表面重建指标上表现出很好的性能。
- 使用胶囊网络检测虚假图像和视频
本文介绍了一种胶囊网络方法，用于检测多种攻击类型，从使用打印图像和重放视频的陈述性攻击到使用深度学习创建的虚假视频的攻击，具有与传统卷积神经网络相似的性能，并通过详细分析和可视化解释了胶囊网络应用于取证问题的理论。
- CvxNet: 可学习的凸分解
介绍了一种使用神经网络自动提取凸多面体家族的网络结构与应用，如自动凸多面体分解、图像到三维重建和基于部件的形状检索。
- DeepSDF：学习连续的符号距离函数以用于形状表征
介绍了 DeepSDF 方法，它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数（SDF）的表示，将 3D 几何表示为体积场，并可表示整个形状类。DeepSDF 方法相比以往方法降低了一个数量级的模型大小，同时获得了学习 3D - DeepSpline: 参数曲线和曲面的数据驱动重建
本文提出了一种基于深度学习架构的样条拟合方法，可以用于根据图像或点云输入重构几何图形，与传统的基于样条的方法相辅相成。
- 从图像中推断轮廓素描
本文提出了一种基于学习的方法，采用新的数据集进行轮廓图的生成和处理，可以精确定位视觉场景的轮廓和边界，相对于传统的边界检测方法有更好的性能表现，并且在 BSDS500 上取得了最新的性能成果。
- MeshNet: 用于 3D 形状表示的网格神经网络
本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。
- CVPR对抗网络调整的场景生成
该研究的目的是通过将生成模型的虚拟数据迭代地逼近真实世界的数据分布，提高计算机视觉系统训练的泛化性能，该方法通过对生成图形模型的参数先验分布进行后验密度估计，结合生成对抗训练，提高了交通场景语义标注任务的性能。
- 瞬态成像的近期进展：计算机图形学和视觉角度
该论文从图形学和计算机视觉的角度介绍了瞬态成象在捕捉技术、分析、应用和仿真等方面的最新进展，重点在于在皮秒或纳秒时间分辨率上利用时域中丰富的信息，以展示光的运动、看透角落、探测散射介质中的物体、推断材料属性等等。
- ICML无标记学习稳健视频同步
本文介绍一种可扩展和强健的非线性时间视频对齐方法，该方法利用了视频本身的本质，能够在没有手动标签的情况下对月份间隔的数据进行视频对齐，并能用于计算机图形学和视觉领域的广泛应用。
- UnrealCV: 将计算机视觉连接到虚幻引擎
介绍了利用计算机图形学技术创建虚拟世界的方法和困难，详细介绍了基于游戏资源的虚拟世界构建方法和拓展工具 UnrealCV，并给出了两个应用实例：基于虚拟世界的证明性图像数据集和测试深度学习算法。
- 使用合成数据理解现实世界室内场景的 SceneNet
本文研究场景理解问题，通过使用计算机图形学生成合成 3D 场景，以解决手动收集大量数据问题，从而避免了收集数据的麻烦和昂贵成本。通过使用深度数据作为输入仅使用 RGB-D 系统的深度数据，我们在 NYUv2 数据集上的表现相当于最先进的 R