本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。

Jun, 2021

提出一种利用三维成体基元组装物品的学习框架，可以生成简单且几何可解释的三维物品解释，利用该方法可以获得形状表征形式、构建可解释的形状相似性测量，以及进行基于图像的预测和形状操作。

Dec, 2016

通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

Mar, 2024

基于 RANSAC 估计器和神经网络的图元拟合算法，通过处理场景中的一部分来解析 3D 特征，进而获得更具抽象性的场景描述，在实现端到端训练的基础上，引入遮挡感知距离度量，成功地在不需要繁琐标注的情况下，实现了对真实世界 3D 场景布局的抽象。

May, 2021

该论文提出了一种新颖的框架，用于学习 3D 点云的简洁几何基元表示。与分别表示每种基元不同，我们关注如何稳健地实现简洁且统一的表示问题。我们使用二次曲面来表示包含仅有 10 个参数的多种基元，并提出了首个端到端学习的框架 QuadricsNet 来解析点云中的二次曲面。二次曲面的数学表达与几何属性（包括类型、尺度和姿态）之间的关系被巧妙地集成，以对 QuaidricsNet 进行有效监督。此外，还收集了一个新颖的模式综合的数据集，其中包含二次曲面的分段和对象，用于训练和评估。实验证明了我们简洁表示的有效性和 QuadricsNet 的鲁棒性。我们的代码可在 https://github.com/MichaelWu99-lab/QuadricsNet 获得。

Sep, 2023

本研究研究了 3D 形状分类的表示和架构的作用，通过变化训练示例的数量和使用跨模态迁移学习，研究了现有深度架构的初始化对 3D 形状分类的影响，结果表明，多视图方法即使没有在大型标记图像数据集上预训练，甚至在训练简化输入（如二进制轮廓）时，也能提供最好的泛化性能。此外，从图像表示进行跨模态传输可以改善基于体素的 3D 卷积网络和基于点的架构的性能。最后，通过不可区分噪声，研究了 3D 形状分类器对于对抗性变化的鲁棒性，结果发现基于点的网络对于点位置扰动更为稳定，而基于体素和多视图的网络则很容易被输入中的微不足道的噪声所欺骗。

Sep, 2018

本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型，并通过概率推断从 3D 和 2D 图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断 3D 表示的方法，并在几个数据集上建立了基准模型。

Jul, 2016

本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

Jul, 2021

本文提出将形状表示为可学习的三维基本结构的变形和组合，并演示了学习到的基本结构在三维形状生成和匹配方面的显著改进，通过区块变形学习和点翻译学习两种方法，在 ShapeNet 对象重建和人体扫描之间的稠密对应估计中取得了比现有方法更好的结果。

Aug, 2019

我们提出了一种名为 ISCO 的框架，通过在 2D 视图上直接使用 3D 超椭球作为语义部分，无需对使用 3D 监督训练的模型进行重组，从而重组对象。通过优化组成特定对象实例的超椭球参数，将其渲染的 3D 视图与 2D 图像轮廓进行比较，并且以粗略到精细的方式对目标对象进行抽象化，从而提供与相关对象部分一致的超椭球。与最近的单个实例超椭球重构方法相比，实验结果表明 ISCO 提供了更准确的 3D 重构，即使是从野外图像中。

Sep, 2023