MeshNet: 用于 3D 形状表示的网格神经网络
使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。
Jun, 2014
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
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
BuildingNet 是一个包含多个建筑类别的大规模 3D 建模数据集，使用图神经网络对建筑模型进行网格标注，并展示了图神经网络在 3D 网格标注方面的显著性能优势。
Oct, 2021
在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。
Oct, 2019