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

本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。

Aug, 2019

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

本文研究了细微的物体形态差异在语言中的表达方式，通过图像和三维模型构建了大规模的数据集，利用神经网络进行理解和表达，实现了零样本迁移学习并探究了物体形态与语言结构在物体差异中的关系。

May, 2019

本研究提出了一种实时形状预测的网络，通过使用去噪卷积自编码器来建立一个嵌入空间，并将解码器置于快速端到端网络之后，直接回归到编码后的形状向量。该网络在实现更高阶形状推理的同时，能够对类别的泛化性进行处理。

Nov, 2016

该论文讨论了神经隐式形状表示的基本概念，比传统的离散表示具有更好的记忆效率和更高的空间分辨率，并提出了一种基于梯度的元学习算法以提高形状空间的泛化能力，从而实现从部分或噪声观测数据中进行的几何重建。该方法在测试时间推断上比自动编码器的方法快一个数量级，同时超过基于编码器 - 解码器的池化网络集合编码器方法。

Jun, 2020

该研究提出了一种新的方法，通过学习 3D 物体形状来改进现有的低样本学习方法，并在多个数据集上证明了其有效性，同时介绍了最大种类数量的 3D 对象数据集 Toys4K。

Jan, 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

我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的网格。我们方法的核心是一种谱池化技术，它建立了一个通用的潜空间，摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段，我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间，以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明，我们的方法实现了优秀的重建，并产生了比基准方法更真实、更平滑的插值。

Oct, 2023

本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。

Dec, 2020