本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。

Nov, 2018

本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

Sep, 2018

该研究提出了一种称为 Mesh R-CNN 的系统，将 2D 感知和 3D 形状预测相结合，通过预测三角形网格的方式获取检测物体的完整 3D 形状，并在 Pix3D 上应用该系统来共同检测物体和预测它们的 3D 形状。

Jun, 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

使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

Jun, 2014

本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。

May, 2015

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

本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

Nov, 2017

三角网格，几何深度学习，三维网格，E (n)- 等变图神经网络（EGNNs），网格任务。

Feb, 2024

本文提出了一种叫做 meshAdv 的方法，用于生成具有丰富形状特征但纹理变化最小的物体的 “对抗性 3D 网格模型”。使用可微渲染器进行对象的形状和纹理的操作，可以有效地攻击分类器和物体探测器，并在不同视角下进行攻击评估，同时设计了一个管道以对具有未知渲染参数的光真实渲染器进行黑盒攻击。

Oct, 2018