通过神经网络将几何结构编码到权重和偏置中，通过映射网络重构对象，可在 7000 参数的情况下达到与百万参数状态下的最新型物体解码器架构同等甚至更高的精度。

Jul, 2019

本研究探索使用 DeepONets 方法推断未知气动翼型的流场并优化其形状，结果表明 DeepONets 非常适合生成未知形状的高准确度解决方案，可以在毫秒级时间内准确推断压强、密度和速度场等信息，为气动设计提供了极大的便利。

Feb, 2023

本文提出了一种名为 Decomposer-Composer 的新型神经网络结构，用于基于语义结构的 3D 形状建模，采用自编码器技术，在嵌入空间上进行分解 - 合成操作，并通过引入显式的学习部分变形模块，使得该网络能够实现部件级的形状操作，具有较高的性能表现。

Jan, 2019

该研究提出了一种新的学习框架，用于学习变形的 3D 形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。

Apr, 2017

本研究介绍了神经算子，它是一种学习算子的新型神经网络，能够在无限维函数空间中进行映射。我们证明了神经算子的广义逼近定理，可以逼近任何连续非线性算子。研究还提出了四类高效的参数化方法，并在偏微分方程的解算子的代理映射中应用了神经算子，结果表明相较于传统 PDE 求解器和现有的机器学习方法，神经算子具有更好的性能优势且速度更快。

Aug, 2021

本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

Mar, 2020

本文提出了使用图神经网络对对象进行编码，使用分块的线性转移矩阵来规范化对象之间的共享结构，从而学习组合型 Koopman 操作符，以实现非定常系统的建模与控制。我们的实验结果表明，与现有的基线相比，所提出的方法具有更好的效率和泛化能力。

Oct, 2019

本文介绍了一种基于神经网络的方法，可以在没有任何匹配信息的情况下，通过在不同形状上联合分析点云表示的几何和语义函数，发现共同的潜在结构，并生成潜在基函数字典，以反映形状间的共享语义结构。

May, 2018

通过使用图学习算法的神经算子，结合空间转录组学的技术，探讨了将其应用于小鼠脑组织样本神经区域预测的机器学习架构，并在基于多种图神经网络算法的验证中验证了神经算子方法的有效性，取得了近 72% 的 F1 分数。

Feb, 2023

该研究提出了一种新的方法，使用深度神经网络直接将图像映射到网络权重的向量，以实现从单个图像进行 3D 形状重构，该新的表示具有无限的容量和分辨率，并且可以具有任意的拓扑结构。实验结果表明，相比于体素、轮廓线和网格等现有方法，该方法能够更准确地推断 2D 投影的形状。

Aug, 2019