本研究通过使用基于层次结构的编码器（支持，周围和共存关系），实现了用于室内 3D 场景生成的递归神经网络，结合一种变分自编码器（VAE），用于场景对象组合和场景生成。研究表明，所提方法能够高效地生成大量和多样化的 3D 室内场景，并在与现有方法的比较中展现出优越性能。
Jul, 2018
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
该研究提出了基于 3D 图像的简单部件抽象形状表示方法，使用生成递归神经网络和高斯场生成大规模数据集，得到比另一种形状检索方法更好的结果。
Aug, 2017
SAGNet 是一种结构感知型生成模型，通过自编码器将某类物体的部件几何和部件间关系的结构特征联合学习，并在潜在空间中进行了嵌入。SAGNet 的编码器将几何和结构特征交错成单一潜在代码，而解码器可以解开特征并重构 3D 模型的几何和结构。
Aug, 2018
本文提出了一种名为 READ 的新框架，利用递归自动编码器生成大量和多样的文档 2D 布局，其中采用了一种递归的方法来提取文档的结构分解，并利用标注边界框的文档数据集对此进行了学习，从而获得了结构表示形式，并将其映射到高斯空间，从而生成新的文本布局，同时，还引入了一种组合度量来测量文档布局之间的结构相似性，并证明了所生成文档布局的高可变性和实际性，在文本检测任务中证明了所生成布局的作用。
Sep, 2019
该文介绍了一个通过 VDRAE 对大规模 3D 场景数据进行训练来推测实例级分割和 3D 对象检测的方法，该方法在现实世界的 3D 点云数据集上比以往的工作有了明显的改进。
Mar, 2019
本研究提出了一种基于深度潜在随机变量的自然图像生成模型，其采用新型分布称为修正高斯，其中采用类似 spike-and-slab 的稀疏性，保持了有效的随机梯度变分推断的可微性；通过一个结构化后验分布估计函数的近似，提出了一种新型结构化变分近似方法，避免常规均场假设，并保持了生成模型的先验依赖关系，从而实现了具有许多层潜在随机变量的深度模型的联合训练。
Feb, 2016
使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。
本文提出 Continuous Recursive Neural Network (CRvNN) 作为递归神经网络（RvNN）的可替换方案，以解决传统 RvNN 在处理序列中诱导潜在结构方面的局限性，并通过在潜在结构中引入连续松弛来改进该方案，从而在逻辑推理和自然语言处理等多项任务中取得了显著表现。
Jun, 2021
通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化，利用每个部件的 VAE-GANs 生成具有语义感知的部件，并使用部件组装模块将它们组装在一起，从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。
Jun, 2019