该研究提出了一种新的学习框架，用于学习变形的3D形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。
Apr, 2017
介绍了DeepSDF方法，它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数（SDF）的表示，将3D几何表示为体积场，并可表示整个形状类。DeepSDF方法相比以往方法降低了一个数量级的模型大小，同时获得了学习3D形状表示和完成方面的最先进性能。
Jan, 2019
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
本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。
Dec, 2019
本文中提出了一种简单且可解释的无监督学习方法，可以生成具有内在结构的三维结构点，这些点在类似结构的所有形状实例中表现出语义的一致性，并且通过采用PCA 嵌入技术，本方法在保留形状结构方面表现出良好的性能。
Mar, 2020
该研究提出了一种使用2D函数来表示3D形状的方法，避免了3D采样的缺点，并通过一个名为SeqXY2SeqZ的模型学习3D形状的结构，表现出了比现有方法更好的性能。
提出了一种基于学习的方法，用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络，结合一种基于功能映射表示的正则化地图提取层和损失函数，能够从比现有的监督方法少的训练数据中学习，并且比当前基于描述符学习的方法更加普适。
本文旨在以无监督的方式学习拓扑变异物体的密集三维形状对应关系，引入了一种新的隐式函数，该函数为每个三维点生成一个部分嵌入向量，实现对点的密集对应，通过面向部分的逆函数将部分嵌入向量映射到对应的三维点上，结合几个有效的损失函数进行联合学习。在推断期间，用户选择源形状上的任意点时，算法可以自动生成相应点的置信度分数和语义点，有效提升人造物体的形状分割及无监督三维语义对应。
Oct, 2020
提出了一种名为Neurally-Guided Shape Parser (NGSP)的方法，该方法使用MAP推断来学习如何为3D形状的区域分配细粒度的语义标签，并使用神经向导网络使搜索变得可行。
Jun, 2021
PartGlot介绍了一种基于语义部件分割的神经框架和相关架构，仅基于部件引用语言进行学习，利用自然语言反映对象组成结构对对象及其部分形成的准则提出优先权，无需进行大规模的部件几何注释即可仅通过语言学习三维形状部分。
Dec, 2021