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
本文介绍了一种名为Parts4Feature的深度学习网络，它可以从多视图的部分级信息中学习三维全局特征，利用多重关注机制将检测到的部分聚合到全局特征中， 并通过区域建议模块将局部和全局信息相互促进，从而实现了在三大3D形状基准测试中的良好表现。
May, 2019
本文介绍了一种以深度聚类为基础的三维形状部分分割方法, 通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验, 它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。
Mar, 2021
本文提出了一种自我监督的方法（LPD）来发现只有2D图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。
Jul, 2021
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
我们提出了AutoGPart，一种通用的方法，它考虑任务优先，使用几何先验知识构建监督空间，并让机器自动从该空间中搜索特定分割任务的最佳监督，以训练具有一般化的3D部分分割网络。在三个3D部分分割任务上进行了实验，证明了AutoGPart的有效性和通用性，并表明使用简单backbones训练的分割网络的性能可以显著提高。
Mar, 2022
提出了一种名为CAGroup3D的卷积神经网络二阶段稀疏三维物体检测框架，通过结合物体表面体素中相同语义预测的类别感知局部组策略生成高质量的三维建议，以及使用稀疏卷积RoI池化模块从骨干网中直接聚合细粒度的空间信息以进一步提升建议的效果。该方法具有更好的计算和内存效率，并且在ScanNet V2和SUN RGB-D数据集上实现了优于现有方法的三维检测性能。
Oct, 2022
本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。
May, 2023
通过构建先验库和分析输入和先验之间的相关性，本文提出了一种弱监督框架来从未见过的类别中重建完整的3D形状，并通过自监督形状细化模型进一步改进了粗糙形状，实验证明我们的方法明显优于现有方法。
Jan, 2024