本文提出将形状表示为可学习的三维基本结构的变形和组合，并演示了学习到的基本结构在三维形状生成和匹配方面的显著改进，通过区块变形学习和点翻译学习两种方法，在 ShapeNet 对象重建和人体扫描之间的稠密对应估计中取得了比现有方法更好的结果。
Aug, 2019
本文介绍了一种基于 CAD 模型的方法，通过构建 2D 图像和 3D CAD 模型之间的联合嵌入空间，实现了对物体形状的精确估计和检测。试验结果表明，该方法对于复杂场景中的图像检测更为鲁棒。
Aug, 2021
本文提出了一种基于 patch 的中层面向对象表示方法，将不同类别对象的相似性建模在 patch 级别，使模型更具有通用性，并且提出了一种新的在规范空间中学习 patch 表示的方法，该表示方法对物体的类别不敏感，在训练时只需要较少的数据集，在形状插值和局部点云完成等应用上也有良好的效果。
Aug, 2020
本研究利用深度神经网络的可微分性，防止曲面崩溃和强烈减少曲面重叠，在表面重构方面显著超过现有技术。
Nov, 2019
本文提出了一种基于扩展局部形状二次表示和局部形状分布的区分度量方法，可以用于表征物体表面形状和表面照明，实验表明该方法能够实现高效和稳健的物体表面重建，同时其对于光照和噪声的鲁棒性较强。
Oct, 2013
本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。
用于计算机图形学中，我们介绍了一种学习辅助的二维不规则形状装箱方法，通过选择和分组 UV 贴片的子集来实现高装箱质量，并利用深度神经策略线性时间扩展以处理大规模的问题实例。
Sep, 2023
这篇论文介绍了 OpenPatch 方法，它使用预训练模型从中间特征中提取一组描述每个已知类别的补丁表示，在新样本中评估其是否主要由单个已知类别的补丁构成或通过多个类别的贡献来组成，并通过广泛的实验评估展示了其在语义新颖性检测任务中的出色性能。
Oct, 2023
本研究提出了 Points2Surf 算法，一种基于深度学习框架的局部深度信息和整体粗略信息相结合的面重建方法，显著提高了模型泛化能力和重建精度。实验证明，与其他方法相比较，Points2Surf 算法能够在新的形状上实现高质量的重建，并能使重建误差降低 30% 以上。
Jul, 2020
通过扩展 Laplacian formalism，我们可以将单目 3D 形状重建转化为更好处理的问题，通过简单地解决线性最小二乘问题可以快速可靠地消除异常值。这使我们能够实时地降低表面重建问题的维度而不会损失准确性。
Mar, 2015