إعادة بناء الأجسام ثلاثية الأبعاد من صورة واحدة هي مشكلة غير محددة بشكل كافٍ، وتتطلب معرفة مسبقة قوية بالأشكال ثلاثية الأبعاد المعقولة. ويؤدي هذا إلى تحديات بالنسبة للنهج القائمة على التعلم، نظرًا لقلة التسميات ثلاثية الأبعاد في الصور الحقيقية. وقد اعتمد العمل السابق على التدريب باستخدام بيانات مُصَنَّعة تمتلك معلومات ثلاثية الأبعاد صحيحة، لكنه واجه مشكلة التكيف بين المجالات عند اختباره على بيانات حقيقية. في هذا العمل، نقترح نموذج مارنيت (MarrNet)، وهو نموذج قابل للتدريب من الطرفين (end-to-end) يُقدّر بشكل متسلسل الخرائط ثنائية ونصف الأبعاد (2.5D) والشكل ثلاثي الأبعاد للجسم. وتمتاز صيغتنا المُفَصَّلة على مرحلتين بعدة مزايا. أولاً، مقارنة بالشكل ثلاثي الأبعاد الكامل، فإن استرجاع الخرائط ثنائية ونصف الأبعاد (2.5D) من صورة ثنائية الأبعاد يكون أسهل بكثير؛ كما أن النماذج التي تُعيد استرجاع هذه الخرائط تكون أكثر قدرة على الانتقال من البيانات المُصَنَّعة إلى البيانات الحقيقية. ثانيًا، فيما يتعلق بإعادة بناء الشكل ثلاثي الأبعاد من الخرائط ثنائية ونصف الأبعاد (2.5D)، يمكن للأنظمة أن تتعلم بالكامل من بيانات مُصَنَّعة. وذلك لأننا نستطيع بسهولة إنتاج خرائط 2.5D واقعية دون الحاجة إلى نمذجة التغيرات في مظهر الكائنات في الصور الحقيقية، مثل الإضاءة أو النسيج، إلخ. وهذا يخفف بشكل إضافي من مشكلة التكيف بين المجالات. ثالثًا، نستمد دوالًا تابعة للتمثيل التآملي (القابلة للتفاضل) من الشكل ثلاثي الأبعاد إلى الخرائط ثنائية ونصف الأبعاد (2.5D)؛ وبالتالي يكون الإطار قابلاً للتدريب من الطرفين على الصور الحقيقية دون الحاجة إلى تسميات يدوية من البشر. ويحقق نموذجنا أداءً يُعدّ من أفضل الأداء في مجال إعادة بناء الأشكال ثلاثية الأبعاد.