ShapeFlow: 可学习 3D 形状之间的变形
本文提出了一种名为Decomposer-Composer的新型神经网络结构，用于基于语义结构的3D形状建模，采用自编码器技术，在嵌入空间上进行分解-合成操作，并通过引入显式的学习部分变形模块，使得该网络能够实现部件级的形状操作，具有较高的性能表现。
Jan, 2019
StructureNet是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的3D形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。
Aug, 2019
本文提出了一种面向领域的 3D 形状结构的组装语言 ShapeAssembly， 并训练一个层次顺序 VAE，以从现有形状结构中提取 ShapeAssembly 程序，从而生成可解释和可编辑的3D形状。
Sep, 2020
本论文提出了Deformed Implicit Field (DIF) 表示法来建模3D物品的形状，实现物品之间稠密的对应关系。DIF-Net神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的Deformation Field来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。
Nov, 2020
该研究提出了一种基于神经变形、形状检索和嵌入空间的联合学习方法来生产高质量的3D模型，该方法不仅能提高变形后的匹配精度，而且还能处理不一致和多样的结构形状。
Jan, 2021
本文探讨一种新方法--变形感知正则化--以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。
Aug, 2021
无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为TARS，在多个数据集中均取得了最先进的重构精度(ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。
May, 2022
本文介绍了一种新的神经网络模型HNDF (Hybrid Neural Diffeomorphic Flow)，用于三维形状重建和生成，通过学习数据样本中的隐式函数，对细节信息进行拆分和处理，进一步实现高质量的三维形状再现和生成。
Jul, 2023
本文介绍了一种语义感知隐式模板学习框架，通过利用自监督特征提取器的语义先验，提出了局部条件和全局条件的语义感知变形代码以及变形一致性正则化，从而实现了语义上合理的变形。通过大量实验证明了该方法在关键点转换、部位标签转换和纹理转换等各种任务中的优越性能，尤其在更具挑战性的任务中取得了更大的性能提升。
Aug, 2023
通过在预训练的生成模型子空间中构建一个易于导航的二维探索空间，将给定的一组标志性形状的变化转化为变形场，以便将这些变化传递到高质量的网格模型。
Oct, 2023