从单张图像进行3D物体重建是一个高度欠定的问题，需要依赖对合理3D形状的强先验知识。这为基于学习的方法带来了挑战，因为在真实图像中缺乏充足的3D物体标注数据。以往的工作通常选择在带有真实3D信息的合成数据上进行训练，但在真实数据上测试时却面临域适应（domain adaptation）问题。在本工作中，我们提出MarrNet，一种端到端可训练的模型，该模型通过分步估计2.5D草图和3D物体形状来实现重建。我们提出的解耦式、两阶段框架具有三大优势：首先，相较于完整的3D形状，从2D图像恢复2.5D草图要容易得多；且能够恢复2.5D草图的模型更易于从合成数据迁移到真实数据。其次，基于2.5D草图进行3D重建时，系统可完全依赖合成数据进行训练。这是因为我们可以轻松生成逼真的2.5D草图，而无需在渲染过程中建模真实图像中的物体外观变化（如光照、纹理等）。这进一步缓解了域适应问题。第三，我们从3D形状到2.5D草图之间推导出可微分的投影函数，使得整个框架能够在真实图像上实现端到端训练，且无需人工标注。实验表明，我们的模型在3D形状重建任务上达到了当前最优性能。