- CVPRHybrIK: 一种用于 3D 人体姿势和形状估计的混合解析 - 神经反向运动学解决方案
本文旨在解决 3D 人体姿态重建过程中的图像 - 模型不对齐问题以及深度学习算法容易预测出不真实的人体结构的问题，提出了一种名为 HybrIK 的混合逆运动解决方案，该方案通过牵转摆分解将 3D 关节点直接转化为 3D 人体网格的相对身体旋 - 基于 CNN 的近场光度立体问题方法
该研究提出了一种 CNN 基于光度立体的方法，能够处理如光传播、透射视图几何和镜面光反射等现实假设，通过两个主要步骤迭代估计形状和辐射方向，取得比现有状态 - of-the-art 方法更好的实验效果。
- ECCV重建 NBA 球员
本研究提出了一种新的方法，用于重建篮球比赛中的运动员。该方法通过可绘制的模型和大型数据库得到一个高分辨率的网格和 3D 姿态。结果显示，该方法在 3D 人体形状重建的单张图像上取得了显著的进展。
- 双镜头空间可变 BRDF 和形状估计
提出了一种新的深度学习架构，该架构对形状和 SVBRDF 进行分阶段估计，并具有联合细化网络，适用于移动硬件，并创建了一个大规模的合成训练数据集，通过实验展示了该方法的优越性。
- CVPRVIBE：基于视频推导的人体姿态和形状估计
本文提出了基于视频的身体姿态和形状估计方法 (VIBE)，利用现有的大规模运动捕捉数据集 (AMASS) 和无配对的野外 2D 关键点注释，通过对抗学习框架，利用 AMASS 区分真实人体运动和由时态姿态和形状回归网络生成的运动，得到运动检 - CVPR卷积网格回归实现单张图片人体形状重建
本文解决从单张图像中估计 3D 人体姿态和形状的问题，提出在保留 SMPL 模板网格拓扑的同时，使用 Graph-CNN 直接回归网格顶点的三维位置，与基于模型参数回归的可比较基线相比，我们的方法具有更好的效果。
- 一般光照条件下的变分未校准光度立体重建
本文提出了一种高效的原则性变分方法来进行低限制的反射光照下未校准的 Photometric Stereo 技术，其中近似于通过球形谐波展开的兰伯特反射模型，通过单个变分问题来联合恢复形状，反射和光照。
- CVPR自校准深度光度立体网络
本文提出了一种基于深度学习的非 Lambert 场景无标定光度立体方法，该方法相对于之前依赖于特定反射率和光源分布假设的方法，能够确定未知任意反射率下观察未知变化光照方向的场景的形状和光源方向，通过两阶段的深度学习架构 SDPS-Net 来 - DeepHPS: 基于合成深度学习的端到端三维手部姿态和形状估计
通过使用卷积神经网络结构，从单个深度图像中学习手部姿势，骨骼比例和复杂形状参数，以及使用一个新的手部姿势和形状层来产生 3D 关节位置和手部网格，利用 SynHand5M 数据集，在综合数据集上展示了良好的效果。
- 地球并非平坦：移动相机对陡峭和倾斜道路上车辆的单目重建
本论文提出了一种在具有不同平面的路面上进行单目物体定位和形状估计的方法，并使用 KITTI 和 SYNTHIA-SF 基准测试了该方法，证明了其在任意形状的路面上能显著提高单目物体定位的效果。
- CVPR基于换装 3D 扫描序列的人体形态细节精准估计
本研究提出了一种新方法，可以从穿着衣服的 3D 扫描序列中恢复个人化的人体形状，其性能在姿态估计和形状估计方面均优于现有技术。
- 利用深度特异性网络解析重叠生物的图像
本文提出了一种深度前馈的分离网络（SON）方法，能够有效地分离高度重叠的生物图像中的个体对象，并估计中心对象的形状。实验表明该方法可以解析三类流行的模型生物的显微镜图像，同时避免了无需渲染训练图像的高维度配置空间和大量渲染测试时间操作的需求