本文介绍了 SubdivNet，一个创新且多功能的卷积神经网络框架，用于具有 Loop 细分序列连接性的三维三角网格，其利用网格卷积算子从附近面收集局部特征，支持标准的 2D 卷积网络概念并应用于 3D 三角网格结构中，通过深度池化和上采样等方式可轻松调整 2D CNN 结构以处理 3D mesh。

Jun, 2021

通过使用分级细节技术和渐进式网格表示方法，在大量三维几何数据的传输过程中提高质量并降低带宽成本。

Aug, 2023

本研究提出了一种新的框架，用于学习几何纹理统计知识以生成具备放射性的深层特征，使得可以实现在不同层次上的网格顶点位移及纹理转移。

Jun, 2020

通过将网格生成相关的微分方程嵌入神经网络的损失函数中，我们提出了一种新的方法，3DMeshNet，用于三维结构化网格的生成。该方法以几何点为输入，学习参数化和计算域之间的潜在映射，并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明，3DMeshNet 稳健且快速，并且与传统的网格划分方法相比，产生优越的网格，并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间，将网格生成开销降低了 4 至 8 倍。

May, 2024

本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

Oct, 2020

本文提出了一种基于深度学习的 Neural Marching Cubes 方法，利用紧凑的每个立方体参数化来表示输出三角网格，并且是与神经处理兼容的，通过从训练网格中学习顶点位置和网格拓扑形状，以考虑周围立方体的上下文信息，从而更准确地重构几何特征和局部网格拓扑。

Jun, 2021

该论文提出了一种基于深度学习的单视图网格重建框架，能够从单个 0 维模板网格生成具有复杂拓扑结构的高质量网格，其关键在于交替使用网格变形和拓扑修改两个网络。

Sep, 2019

使用机器学习为出现的问题预测最佳有限元网格，从而自动生成了高质量的网格，该方法基于神经网络对标准网格生成软件进行指导。

Apr, 2020

本论文提出了一种基于网格的新型表示法，并将神经隐式场编码为网格顶点上的几何和纹理码，以实现包括网格引导几何编辑、指定纹理编辑、填充和绘画操作等一系列编辑功能。实验结果表明，该方法有着优秀的表现质量和编辑能力。

Jul, 2022

本研究提出了一种可训练的、基于几何感知的图像生成方法，利用几何和分割等场景信息生成逼真自然、符合期望的场景结构的图像，并通过 GIS 框架插入驾驶场景中的车辆、生成来自 Linemod 数据集的物体新视角，展示其能够广泛适用于新颖的场景、物体形状和分割，且可用于合成大量训练数据以训练实例分割模型。

Sep, 2018