在三维曲面重建方面，来自澳大利亚国立的研究人员提出了一种DeepFit的方法，通过神经网络加权的最小二乘来拟合曲面。神经网络为每一个点提供了权重作为邻域点的柔性，避免了先前方法中的尺度需求。同时提出了表面连续性损失来改进权重估计。这种方法可以有效抽取表面法向量和曲率等几何特征。下图显示了法向量和曲率的估计流程，针对每一个点都可以计算出全局和局部的表示，并估计出逐点的权重结果，随后通过解最小二乘法方法来拟合n－jet。
在时尚领域，康奈尔、谷歌和Hearst Magazines提出了Fashionpedia数据集，包含了本体、分割、属性定位等丰富的数据资源。
来自港中文、深圳大数据研究院、浙大、西安交大、腾讯和中科大的研究人员们提出了用于三维服饰时尚重建的Deep Fashion3D数据集，包含了2078个模型重建数据、覆盖了10个不同的类别和563种实例。
针对行人的相关研究，来自伯克利、南京大学和Facebook的研究人提出了基于场景上下文的长时行人运动轨迹预测，在给定单图场景和2D位置历史的基础上，可以预测出人体行为受到场景的长期影响。下图显示了场景中人体行为的预测结果。
来自佐治亚理工、威斯康辛麦迪逊、德国马普研究所和图宾根大学的研究人员提出了预测人体与场景中目标的交互过程，通过将手的意图特征编码到网络中与输入图像共同预测交互的目标。
此外针对图像修复和图像质量提升方面，来自港中文、南洋理工、港大的研究人员提出了利用深度生成先验来对图像进行修复和操作，基于大规模自然图像数据集训练的生成模型来捕捉图像先验，为各种退化过程的修复提供了良好的保障。
北京大学、微软亚洲研究院和多伦多大学的研究人员针对缩放图像信息丢失问题提出了一种新的视角为缩放与上采样进行建模，构建了可逆的双射过程。提出了可逆缩放网络来提升低分辨图像效果，并捕捉下采样过程中的信息丢失，使得尺度缩放过程变得可回溯。
