本研究提出了自监督框架RealDiff，用于点云补全。通过模拟缺失物体部件的扩散过程和几何线索，RealDiff在处理噪声观测数据时表现出色。实验结果表明该方法优于当前最先进的点云补全方法。

本文介绍了一种自我监督的三维手部重建网络，利用二维关键点提取几何线索，减少对手动标注的依赖。该方法在单眼图像中重建3D手部网格，尤其在遮挡情况下表现优异。通过图形卷积神经网络和自监督学习，模型在多个数据集上实现了高精度的手部重建，展现出强大的泛化能力和准确性。

本文介绍了一种新方法，通过多个辨别器和2D法线图形式的几何线索训练，可以从2D图像生成逼真的3D人物。该方法在几何和外观方面的性能超过了以前的3D和关节感知方法，并通过消融研究验证了模型的有效性和每个组件的重要性。

本文介绍了一种利用自我监督的三维手部重建网络，通过提取二维关键点获取几何线索，实现精确的手部重建。该方法减少了对手动标注的依赖，并在更少的监督数据下达到可比较的性能。