PQ-NET: 一种用于 3D 形状的生成式部分序列到序列网络
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
SDM-NET 是一种深度生成神经网络，用于生成符合形状集合全局部分结构的有结构变形的网格，并通过部分 VAE 在部分几何形状和结构 VAE 的联合学习来确保全局形状结构和表面详情之间的一致性。
Aug, 2019
我们提出了一种无监督的三维形状协同分割方法，通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状，这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力，我们引入了一个逐部位变形网络，以便对具有实质几何变化的多样部件进行建模，同时对变形能力施加约束，以确保对最初表示的部件的准确性。我们还提出了一种训练方案，有效地克服局部最小值。从体系结构上看，我们的网络是一个分支式自编码器，具有以体素形状为输入的 CNN 编码器，产生逐部位变换矩阵、潜在编码和部件存在评分，以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net，可以实现无监督的三维形状协同分割，从而产生细粒度、紧凑且有意义的部件，并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验，展示了优于之前方法的性能。
Nov, 2023
SAGNet 是一种结构感知型生成模型，通过自编码器将某类物体的部件几何和部件间关系的结构特征联合学习，并在潜在空间中进行了嵌入。SAGNet 的编码器将几何和结构特征交错成单一潜在代码，而解码器可以解开特征并重构 3D 模型的几何和结构。
Aug, 2018
本篇论文提出一种数据驱动的方法，结合使用体积深度神经网络和 3D 形状合成来完成部分扫描的 3D 形状。该方法使用 3D 卷积层来对填充缺失数据进行预测，旨在在未知区域精确地预测全局结构，并使用来自形状数据库的 3D 几何图形进行中间结果的相关处理。最后，通过基于补丁的 3D 形状合成方法，根据 3D-EPN 获取的全局网格结构作为约束，生成高分辨率的输出，重建精细的细节。
Dec, 2016
采用神经网络合成三维形状的方法中引入了基于部件表示的方法，在过去几年中已经出现。然而，当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术，特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术，我们提供了一种比较研究。我们的贡献是定性和定量评估表明，哪种新的多模态部件生成技术表现最佳，并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。
Jan, 2024
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
本研究提出了一种名为 Point2Sequence 的新型深度学习模型，用于学习 3D 形状特征，通过一种新颖的隐式方法捕捉了区域内的细粒度上下文信息， Point2Sequence 采用点云的新颖序列学习模型，通过注意力归纳局部区域的多尺度范围来捕获相关性，实验结果在形状分类和分割任务中取得了最优表现。
Nov, 2018
StructureNet 是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。
Aug, 2019