非结构化三维网格内在对应关系学习的简单方法
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
通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。
Mar, 2023
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
我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的网格。我们方法的核心是一种谱池化技术，它建立了一个通用的潜空间，摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段，我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间，以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明，我们的方法实现了优秀的重建，并产生了比基准方法更真实、更平滑的插值。
Oct, 2023
本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。
Nov, 2017
本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。
Nov, 2019
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