通过使用体积场表示三维空间，使用场探测滤波器来高效地提取特征更为有效，与 3D CNNs 相比，在三维物体识别基准数据集的分类任务上展现出一流的性能。

May, 2016

该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

Jun, 2017

本研究介绍了 FPConv (一种新的表面卷积算子)，可直接作用于点云的表面几何，无需转换为立体或图形中间表示，并可用于 3D 对象分类和 3D 场景分割等任务中，可与现有的立体型卷积具有可比性，同时也可以是立体型卷积的补充，二者联合训练，可以进一步提高整体性能。

Feb, 2020

本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

Sep, 2018

本文介绍一种基于向量场的新型表面卷积操作器，在局部坐标参考点定义单一坐标参数化的代替方法下，组合相邻特征，结合了本质空间卷积和平行传输的散射操作，为卷积提供了新的定义方法，适用于表面上的 CNN，通过由残差场卷积模块构成的简单网络在形状分类、分割、对应和稀疏匹配等基本几何处理任务中实现了最先进的结果。

Apr, 2021

本文提出了一种称为 “测地线卷积神经网络”（GCNN）的新型神经网络，可用于处理形状相关的任务，例如形状描述，检索以及匹配。GCNN 使用局部极坐标系中的局部测地线系统提取 “补丁”，通过一系列过滤器和线性非线性算子，来学习不变的形状特征，从而获得最先进的性能。

Jan, 2015

该论文提出了一种用于将 3D 物体分割成标记语义部件的深度架构。该架构结合了基于图像的完全卷积网络和基于表面的条件随机场，以产生 3D 形状的连贯分割。通过特殊的投影层，图像 FCN 输出 被有效聚合在多个视图和比例上，然后投影到 3D 物体表面上。最后，基于表面的 CRF 将投影输出与几何一致性线索结合起来，以产生连贯的分割。整个架构（多视图 FCN 和 CRF）可以端对端地训练。该方法在当前最大的分割基准（ShapeNet）中明显优于现有的最先进方法。最后，我们展示了从消费级深度相机获取的嘈杂 3D 形状有着可喜的分割结果。

Dec, 2016

利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。

Mar, 2017

本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了 PCNN 方法的有效性。

Mar, 2018

本文介绍一种从单个 RGB 图像中识别密集规范三维坐标系的方法，提出了一种算法来预测这些坐标轴，实验证明我们的方法可以应用于表面法线估计、特征匹配和增强现实等应用。

Mar, 2019