本研究提出了一种新的生成框架GenHMR，旨在解决单目图像中的人类网格恢复问题，克服了传统方法在深度模糊和遮挡方面的局限性。实验结果表明，该方法在多个基准数据集上优于现有技术。

本研究提出了一种新方法，通过视野预测模型和密集表面关键点检测器，精确估计单目图像中的3D人体姿态和形状，最终推出CameraHMR模型。

本文介绍了多种深度学习方法在单目图像深度预测和语义分割中的应用，包括半监督学习、无监督视觉深度学习和自我监督单目深度估计。这些方法通过结合真实数据、几何结构和动态卷积技术，提升了深度预测和场景理解的性能，展现出在机器人导航和自动驾驶等领域的潜力。

本文介绍了2016年至2024年间多种基于立体视觉和单目图像的3D目标检测方法。这些方法通过优化能量函数和引入新模型及数据集，显著提高了自动驾驶领域的检测精度。MonoGAE框架结合地面几何信息，增强了对道路场景的感知能力。

本文介绍了一种新的框架，用于在单目图像中进行3D形状重建，并能够更好地适应不同形状几何分布的目标类别。实验证明，该方法在PartNet中表现出比最先进方法更高的性能，验证了问题分解和网络设计的有效性。

通过改进的编码器-解码器框架，能够从单个单目图像中估算食物的能量信息，实现超过10%的改进，MAPE上高于以往的能量估算方法超过30 kCal的改善。