本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。

Sep, 2017

用 ShapeNet 数据库的数据和注释介绍了一个大规模的 3D 形状理解基准测试。以部分级别分割 3D 形状和从单个视图图像重建 3D 形状为任务，其中10个团队参加了挑战，并且最佳表现团队在两个任务上均优于现有技术。各种 3D 建模方法都被用于这两个任务中，并提出了一些新的深度学习架构。我们总结了每个团队使用的技术和相应的表现，并总结了来自报告结果的主要发现和未来工作的可能趋势。

Oct, 2017

本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。

Dec, 2018

本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型，通过高层节点提供的强有力上下文线索来约束低层级别的分割，并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分，对细颗粒度和语义分割具有state-of-the-art的性能。

Mar, 2019

通过使用部件感知深度生成网络(PAGENet)建模三维形状的变化，利用每个部件的VAE-GANs生成具有语义感知的部件，并使用部件组装模块将它们组装在一起，从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。

Jun, 2019

本研究提出一种基于学习的聚合聚类框架，在提取局部上下文以促进泛化到未知类别的情况下，学习部件的几何先验知识，并在不看到任何注释样本的情况下将其应用到未见过的类别中，实现了对大规模细粒度3D零件数据集PartNet的有效分割。

Feb, 2020

该研究提出了一种新的方法，可以同时恢复3D对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

Apr, 2020

FG3D-Net是一种用于3D形状分类的方法，它通过引入fine-grained的数据集和part-view attention等技术，提高了在3D形状细分类别上的识别精度。

May, 2020

PartGlot介绍了一种基于语义部件分割的神经框架和相关架构，仅基于部件引用语言进行学习，利用自然语言反映对象组成结构对对象及其部分形成的准则提出优先权，无需进行大规模的部件几何注释即可仅通过语言学习三维形状部分。

Dec, 2021

提出了利用大规模合成数据集和神经部件先验（NPP）来学习3D物体的几何部件先验，该方法能够在测试时对现实世界的扫描3D场景进行鲁棒的部件分解，同时适应观察到的真实几何形状，并在由相似几何对象组成的场景中实现全局优化。在ScanNet数据集的实验中，NPP在实际场景中的部件分解和对象完成方面明显优于现有技术。

Mar, 2022