MeshCNN: 一种具有边缘的网络
本文提出了一种基于图卷积神经网络的端到端深度学习架构，从单个彩色图像中生成三角网格的 3D 形状，并采用粗到细的策略、不同级别的网格相关损失来保证生成的几何形状具有良好的视觉效果和物理精度。
Apr, 2018
本研究提出了一种名为MeshNet的Mesh神经网络，用于从Mesh数据中学习3D形状表达，并应用于3D形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。
Nov, 2018
本文提出了一种新颖的图卷积算子，通过对网格的本地顺序强制执行连续性，实现对固定底层图形的归纳偏差建模，并将其作为传统深度生成建筑的构件，以多种 3D 形状数据集为例，与线性 Morphable Model 和其他图卷积算子相比，展示出最先进的结果。
May, 2019
该研究提出了一种称为Mesh R-CNN的系统，将2D感知和3D形状预测相结合，通过预测三角形网格的方式获取检测物体的完整3D形状，并在Pix3D上应用该系统来共同检测物体和预测它们的3D形状。
Jun, 2019
本文提出了一种基于图卷积的网格平均池化方法，使用改进型网格简化避免产生高度不规则的三角形。在此基础上，提出了一种利用边缩减池化和图卷积的自动编码器结构，能够对3D表面进行概率潜空间的探索，并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。
Aug, 2019
本文提出了一种基于内在网格卷积运算符的快速高效算法，该算法明确形式化了聚集相邻结点的顺序而不是学习权重，并通过全连接层将局部几何结构信息与顶点特征融合在一起，从而实现了对不变形状特征的有效学习。经过在三种不同类型任务停滞面对三维面部表情分类和三维形状重建，验证结果表明，本文算法明显优于现有的方法，且速度显著更快，不需要依赖形状描述符。
Nov, 2019
本文提出了一种新方法MeshWalker，利用随机游走算法，在三角网格结构的3D形状中探索和学习几何和拓扑特征。该方法在形状分类和语义分割方面表现良好，并且仅需要很少量的样本即可进行学习。
Jun, 2020
本文提出了一种将图形神经网络的原始-对偶框架扩展到三角网格上的方法，使用动态聚合机制对3D网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
Oct, 2020
本文介绍了SubdivNet，一个创新且多功能的卷积神经网络框架，用于具有Loop细分序列连接性的三维三角网格，其利用网格卷积算子从附近面收集局部特征，支持标准的2D卷积网络概念并应用于3D三角网格结构中，通过深度池化和上采样等方式可轻松调整2D CNN结构以处理3D mesh。
Jun, 2021