本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

本研究提出了一种基于层级神经网络的深度学习算法，可以递归应用 PointNet 模型在输入点集的嵌套划分上，并通过度量空间距离利用上下文信息进行学习，同时通过自适应的集合学习层将不同规模的特征组合，从而有效地、鲁棒地学习点集特征，达到了显著优于当前最先进方法的效果。

Jun, 2017

该研究介绍了一种生成 3D 形状表面的方法——AtlasNet，它将 3D 形状表示为参数化表面元素的集合，相较于生成体素网格或点云的方法，具有更好的精度和泛化能力，并可以生成任意分辨率的形状。该方法在自编码形状和单视图重建方面取得了比较优异的结果，并且在变形、参数化、超分辨率、匹配和共同分割等方面显示其潜力。

Feb, 2018

本文提出了KeypointNet，这是一个端到端的几何推理框架，用于学习一组最优的类别特定3D关键点及其检测器。 通过对一张单独图片，KeypointNet提取出用于下游任务优化的3D关键点，我们在3D姿势估计方面展示了这种框架，并提出了一个可微的目标，以寻求在两个对象视图之间恢复相对姿态的最佳关键点集。我们的模型在对象类别的不同视角和实例之间发现了几何和语义一致的关键点，重要的是，我们发现我们的端到端框架在不使用地面真值关键点注释的情况下胜过使用相同神经网络架构的完全监督基线在姿势估计任务上，在ShapeNet的汽车，椅子和飞机类别上可视化出发现的3D关键点。

Jul, 2018

提出了一种用于处理大规模3D数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过3D卷积处理的能力，可用于许多3D任务的通用点云描述符。在语义体素分割，语义部分分割和3D场景字幕数据集上进行了评估。

Aug, 2018

本文的研究目的是从单个图像中推断出物体的三维形状，为了实现这一目标，本文使用雕塑作为实验数据集，并基于多视角几何（MVG）的成功经验，提出了一种新的损失函数，利用图像与图像之间的对应关系训练深度网络，完成端到端的单张图像深度估计任务。同时，为了自动地生成大规模的多视图对应数据集，本文提出了一种数据处理方法。在多种雕塑的数据集上的实验表明，本方法可以从单张图像中推断出新物体的三维形状，并且在测试时可以泛化到新的领域（如合成图像）中。

Sep, 2018

介绍了3DRegNet技术，它是一种用于三维扫描配准的深度学习架构，基于点对应关系分类为内点/外点，回归运动参数，提供了两种替代方案，并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法，包含源代码。

Apr, 2019

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

本文介绍了一种基于无监督和端到端深度学习的框架CorrNet3D，以学习3D形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

本文提出了一种基于深度神经网络的点云三角化方法，通过检测三角形垂心来实现，从而避免了枚举所有三角形组合和表面参数化，实现了高效、通用和稳健的三角化。

Jan, 2023