本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。

May, 2018

采用神经网络合成三维形状的方法中引入了基于部件表示的方法，在过去几年中已经出现。然而，当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术，特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术，我们提供了一种比较研究。我们的贡献是定性和定量评估表明，哪种新的多模态部件生成技术表现最佳，并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。

Jan, 2024

通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

Mar, 2023

文章介绍了使用弱监督的方法，构建辅助部分模型，检测出深度卷积神经网络忽略的其它目标部分，使用双向 LSTM 将这些互补信息编码为图像综合特征用于图像分类，并在 Stanford Dogs 120、Caltech-UCSD Birds 2011-200、Caltech 256 数据集上实现了显著提升。

Mar, 2019

本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

Aug, 2020

本文介绍了一种基于注意力的部件组装的 VodAttention 网络架构和通道分离的部件注意力方法，用于处理 3D 形状建模问题。实验结果表明，该方法在处理部件关系感知的 3D 形状建模任务上优于大多数现有的先进方法。

Apr, 2023

COALESCE 是一个利用深度学习综合部件连接的数据驱动框架，可处理部件之间的几何和拓扑不匹配，进而生成自然和明显的部件连接，最终将其组合成一致的 3D 对象。该方法在形状合成方面明显优于现有方法，包括基准深度模型和 State-of-the-Art 方法。

Aug, 2020

通过构建先验库和分析输入和先验之间的相关性，本文提出了一种弱监督框架来从未见过的类别中重建完整的 3D 形状，并通过自监督形状细化模型进一步改进了粗糙形状，实验证明我们的方法明显优于现有方法。

Jan, 2024

本文介绍了一种深度学习模型，利用自我监督的力量来进行三维点云补足，估算缺失的部分和周围的上下文区域。

Mar, 2021

本文提出了一种名为 Decomposer-Composer 的新型神经网络结构，用于基于语义结构的 3D 形状建模，采用自编码器技术，在嵌入空间上进行分解 - 合成操作，并通过引入显式的学习部分变形模块，使得该网络能够实现部件级的形状操作，具有较高的性能表现。

Jan, 2019