利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。
Mar, 2017
本文提出了一种基于 patch 的中层面向对象表示方法，将不同类别对象的相似性建模在 patch 级别，使模型更具有通用性，并且提出了一种新的在规范空间中学习 patch 表示的方法，该表示方法对物体的类别不敏感，在训练时只需要较少的数据集，在形状插值和局部点云完成等应用上也有良好的效果。
Aug, 2020
本研究提出了一种名为 Surface Networks（SN）的模型，该模型通过利用三维曲面的外部微分几何属性，如 Dirac 算子的频谱来定义稳定的形状表示，并证明其对变形和离散化具有稳定性，在两项挑战性任务上展示了 SN 的高效性和多功能性，包括使用 SN 构建的变分自编码器进行时间预测。
May, 2017
通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。
Jun, 2024
本研究通过开发一种新的表面到图像表示方法，成功地在几何数据分析中应用了卷积神经网络，以达到在形状检索、形状分类和语义形状分割等任务上取得了最先进的结果或相当的结果的目标。
Dec, 2018
该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。
Jun, 2023
本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。
Nov, 2019
本文使用卷积神经网络进行单张图像表面法线的预测，并通过加入人工约束和中间表征优化网络结构，得到了表现最优的结果。
Nov, 2014
本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。