介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

Dec, 2018

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

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。

Mar, 2020

该论文提出了一种自监督的深度表面变形方法，其中采用了循环一致性来定义物体组中的良好对应关系，并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行，并成功地将其用于传输形状间的分割。该方法在 Shapenet 上表现优于当前同类方法，特别是在少量标注样本的情况下。

Jul, 2019

本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

Jun, 2016

使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

Aug, 2023

该文章提出了一种新的神经网络 (UD^2E-Net) 用于从非刚性形状的密集局部特征中学习预测形状之间的形变，通过外部 - 内部自编码器将物体的几何特征从源到目标进行转换，并引入了一个参数化变形图和一个追踪传播算法来提高变形质量和效率。

Aug, 2021

本文提出了一种基于自编码器框架的方法，学习固定模板上的连续形状变形场，通过表面内和表面外的点监督变形场，并通过一种新的有符号距离正则化方法，实现了非刚性形状对齐，在清洁水密网格上训练，在面临噪声，异常值和自遮挡等挑战时表现出色，为现实世界数据的形状分析提供基础。

Mar, 2022

我们提出了一种无监督数据驱动的方法用于非刚性形状匹配，通过建立层次化基于补丁的形状表示和约束形状匹配的 3D 近刚性变形模型，实现了对噪声和变形具有鲁棒性的匹配。实验证明，相比最先进的方法在原始 3D 扫描数据上获得了显著更好的结果，并在标准测试场景上表现相当。

Nov, 2023

本文提出了一个新的适用于 3D 形状的本地描述符，通过卷积网络直接从多个尺度的从粗到精细视角来捕捉图像的空间局部结构和表面细节，该技术可用于点对应，语义分割和形状匹配等形状分析领域。

Jun, 2017