MedShapeNet 是一个具有超过 100,000 个医学形状的集合，主要用于促进数据驱动的视觉算法在医学应用中的应用，同时提供扩展现实和医疗 3D 打印的免费可用的 3D 模型。

Aug, 2023

用 ShapeNet 数据库的数据和注释介绍了一个大规模的 3D 形状理解基准测试。以部分级别分割 3D 形状和从单个视图图像重建 3D 形状为任务，其中 10 个团队参加了挑战，并且最佳表现团队在两个任务上均优于现有技术。各种 3D 建模方法都被用于这两个任务中，并提出了一些新的深度学习架构。我们总结了每个团队使用的技术和相应的表现，并总结了来自报告结果的主要发现和未来工作的可能趋势。

Oct, 2017

使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

Jun, 2014

StructureNet 是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

Aug, 2019

本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。

Dec, 2018

BuildingNet 是一个包含多个建筑类别的大规模 3D 建模数据集，使用图神经网络对建筑模型进行网格标注，并展示了图神经网络在 3D 网格标注方面的显著性能优势。

Oct, 2021

ClothesNet 是一个大规模的 3D 服装对象数据集，注释包含服装特征、边界线和关键点，可用于计算机视觉和机器人交互任务。通过该数据集，我们为服装感知建立了基准任务，并在机器人交互任务中开发了模拟服装环境，并展示了 ClothesNet 在现实世界实验中的功效。

Aug, 2023

本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。

Nov, 2018

本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

Apr, 2017

介绍了 KeypointNet：第一个大规模、多样化的 3D 关键点数据集，它包含来自 16 个对象类别的 103,450 个关键点和 8,234 个 3D 模型，通过利用大量的人类注释。为了处理来自不同人员的注释之间的不一致性，通过最小化保真度损失，我们提出了一种聚合这些关键点的新方法。最终，在我们提出的数据集上对十种最先进的方法进行了基准测试。

Feb, 2020