نقدم نموذجًا جديدًا لفهم مشهد ثلاثي الأبعاد بشكل شمولي من صورة واحدة، والذي يمكنه التنبؤ بأشكال الكائنات، ووضعها ثلاثي الأبعاد، وبنية المشهد. وبما أن هذه مشكلة غير محددة جيدًا إلى حد كبير، فإن الطرق الحالية غالبًا ما تعاني من تقدير غير دقيق لكلاً من الأشكال والبنية، خاصة في المشاهد المزدحمة بسبب التظليل الشديد بين الكائنات. نقترح استخدام أحدث تمثيلات عميقة ضمنية لحل هذه التحديات. فنحن لا نقدم فقط شبكة ضمنية محلية قائمة على الصورة لتحسين تقدير شكل الكائن، بل نُحسّن أيضًا وضع الكائن ثلاثي الأبعاد وبنية المشهد من خلال شبكة عصبونية رسمية ضمنية مبتكرة تستفيد من الميزات المحلية ضمنية للكائنات. كما نقترح خسارة جديدة تعتمد على الانتهاكات الفيزيائية لتجنب الترابط الخاطئ بين الكائنات. تُظهر التجارب الواسعة أن طريقة العمل هذه تتفوق على أحدث الطرق في مجال تقدير شكل الكائن، وبنية المشهد، وكشف الكائنات ثلاثية الأبعاد.