非方向形状的varifold表示用于各向同形注册
通过核密度估计的统计框架，我们提出了一种不依赖于形状同构的替代恢复技术，能够保证双向对应并产生更高的精度和平滑度，并在多个具有挑战性的可变形3D形状匹配数据集上展示其性能。
Jan, 2017
本研究探索如何用更简单、直接的编码方法来表示 3D 几何形状，以提高几何处理效率并避免数据保真度损失。实验结果表明，该方法能在非刚性形状一致性估算方面取得竞争优势。
Sep, 2018
本文概述了近期关于形状分析的技术，探讨了以高维空间中的点为形状的方法，借助合适的度量计算给定形状的变形范围，进而比较与分类3D对象、计算对象间的平滑变形并模拟与探索形状变异。提出该领域的发展方向及应用前景，涉及数学、统计学、计算机视觉与图形学、医学图像分析等领域。
Dec, 2018
该论文介绍了Geomstats，一种开放源代码的Python工具箱，用于在非线性流形上进行计算和统计学，其提供了可靠的可重用构件，适用于机器学习应用中的微分几何和统计学领域。
Apr, 2020
本文提出了将3D形状序列嵌入到一个无限维度的varifolds空间，使用正定核获得内积，并通过Gram-Hankel矩阵比较来解决人类3D序列动作获取问题。
Jul, 2022
本研究介绍了如何将Riemannian几何结合到深度学习中的LDDMM framework中，以期实现图形匹配和降维。通过设计一种新的隐式编码器，扩展了基于神经网络的算法，并且将Riemannian几何学的组件加入了形状变异建模的深度学习模型中，提高了重构过程中的重构质量和抗噪性。
May, 2023
我们提出了一个基于学习的非刚性形状配准框架，无需对应关系监督，通过学习深度功能图所产生的高维嵌入来指导源网格向目标点云进行形变，动态更新并过滤对应关系以提高稳健性，在未进行对齐的输入下，我们训练了一个基于方向回归器的模型以降低对外在对齐的要求，实证结果表明，我们的方法在多个非刚性点云匹配基准数据集上取得了最先进的结果，并能够在具有显著外在和内在形变的挑战性形状对之间提供高质量的对应关系。
Nov, 2023
该研究论文探讨了在低维非线性子空间中数据集存在的问题，通过对称黎曼几何设置的合理数据分析工具进行研究，提出利用微分同胚来引导深度学习构建适合数据分析的不同类型的拉回几何，并通过数值实验验证了理论预测。
Mar, 2024