从在线仓库学习分层形状分割和标记
本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。
Mar, 2021
本研究提出一种基于学习的聚合聚类框架，在提取局部上下文以促进泛化到未知类别的情况下，学习部件的几何先验知识，并在不看到任何注释样本的情况下将其应用到未见过的类别中，实现了对大规模细粒度 3D 零件数据集 PartNet 的有效分割。
Feb, 2020
该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。
Apr, 2020
通过抽象的学习规则，我们提出了一种训练策略，使得三维光达语义分割模型能够学习不同类别之间的结构关系，从而提高模型的置信度校准，并为融合、预测和规划等下游任务保留附加信息。
Apr, 2024
本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。
Jul, 2021
本篇论文旨在通过两种创新，基于从运动视角观察物体的方式，不需要手动注释，实现学习 3D 物体类别的传统方法。我们的系统基于两种创新：一种是具有鲁棒性的 Siamese 视点因子分解网络，可以对不同的视频进行对齐；另一种是可以从部分观测中提取对象的完整形状的 3D 形状完成网络。我们还演示了配置网络以执行概率预测和几何感知数据增强方案的好处。在公开可用的基准测试中，我们获得了最先进的结果。
May, 2017
本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型，通过高层节点提供的强有力上下文线索来约束低层级别的分割，并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分，对细颗粒度和语义分割具有 state-of-the-art 的性能。
Mar, 2019
通过使用预先训练的视觉 - 语言模型和无监督的区域级语义对比学习方案，本研究提出了一种通用且简单的框架，用于处理有限标记情况下的 3D 场景理解，从而在数据效率学习和开放世界少样本学习方面展现了有效性。
Dec, 2023
本研究提出了一种基于多视图图像的方法，用于识别三维场景的对象形状和布局，通过在大型数据集上的实验，证明该方法可扩展应用于现实图像，并与依赖三维信息的方法相比，表现得更好。
Jun, 2022
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