- CVPR最小视角自标定
介绍了一种新的最小问题家族，以解决多视图的重建问题，并提出了一种创新的自标定方法，通过对图像点、三维点的未知深度和部分指定的标定矩阵 K 的约束来解决问题。通过实验表明，与现有方法相比，我们的方法在准确性上取得了卓越的成果。
- 高维数据多视图异常检测的生成子空间对抗主动学习
高维表格数据中的离群点检测是数据挖掘中一项重要任务，本研究提出了一种名为 GSAAL 的生成子空间对抗主动学习方法，通过多个对手学习不同数据子空间上的边际类概率函数，同时在全空间模拟内群类的整个分布，以解决现有离群点检测算法中的多视图、内点 - 提高离群值检测的效率生成隐藏离群值
提出了一种新的异常点生成方法 BISECT，在高维空间中模拟多角度的真实异常点，并将其用于改善多种数据集的异常点检测，如过采样减少错误率。
- 多视角 3D 人体姿态跟踪的迭代贪婪匹配
本研究提出了一种从校准相机组中估计多个人的 3D 人体姿态的方法，通过多个视角估计人体姿态在全局坐标系内，并利用二分图匹配跟踪多人在多帧中实现特别高效的 3D 解决方法，取得了最先进的结果。
- IJCAI多视角知识图谱嵌入用于实体对齐
本研究提出一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，从而增强知识图谱之间的嵌入式实体对齐，并在真实数据集上验证实验证明，该框架显著优于现有的嵌入式实体对齐方法。
- IJCAIParts4Feature: 从多视图中的语义部分学习 3D 全局特征
本文介绍了一种名为 Parts4Feature 的深度学习网络，它可以从多视图的部分级信息中学习三维全局特征，利用多重关注机制将检测到的部分聚合到全局特征中， 并通过区域建议模块将局部和全局信息相互促进，从而实现了在三大 3D 形状基准测试 - CVPR从多视角图像学习单目三维人体姿态估计
本文提出了一种通过多视角的训练，使用一致性约束联合监督损失及惩罚项实现替代大量标注的 3D 人体姿态估计方法，并提出了一种联合估计相机姿态及人体姿态的方法，在 3D 人体姿态估计方面取得了良好的表现。
- SilNet：通过学习轮廓重建单视角和多视角场景
本文介绍了一种全卷积深度学习网络和新的损失函数 SilNet，可处理多视角的三维形状，并通过利用预测二维轮廓代替直接从二维图像到三维形状的映射，实现了对对象数量的有效推广以及性能的进一步提升。同时，作者还介绍了一个用于预训练的斑点图像数据集 - 使用混合多摄像头方法在拥挤与室外场景中进行人数统计
本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS - NIPS流形对齐决策：在不同数据视图之间寻找对应关系
本文提出了 Manifold Alignment Determination 算法，其通过概率模型仅需要一些数据对即可学习多个视图 / 模态数据点之间的对齐，表现出良好的灵活性和准确性，实验证明该方法的优势。
- ECCV从多视角图像曲线到 3D 绘图
该论文提出了一种将 2D 图像曲线组合成 3D 曲线集合，构建具有拓扑连接性的 3D 图形的方法，以实现对 3D 场景的结构化表示和重建。
- ICCV多视角卷积神经网络用于 3D 形状识别
本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。