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

提出了 DualConvMesh-Nets (DCM-Net) 模型，它是一种基于 3D 几何数据的深层分层卷积神经网络，结合了两种卷积类型：测地线卷积和欧几里得卷积，并且还采用了几何处理领域中的网格简化方法来定义网格池化和反池化运算。实验结果表明，我们提出的模型在 3D 语义分割任务上取得了显著的性能提升并在三个场景分割基准测试中获得了竞争性的结果。

Apr, 2020

本文提出了一种 Dual-Primal Graph CNN 的图卷积体系结构，该方法允许学习顶点和边特征，并在许多基准测试上展示了最先进的结果.

Jun, 2018

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

该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

Jun, 2017

本文提出了一种基于图卷积的网格平均池化方法，使用改进型网格简化避免产生高度不规则的三角形。在此基础上，提出了一种利用边缩减池化和图卷积的自动编码器结构，能够对 3D 表面进行概率潜空间的探索，并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。

Aug, 2019

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

提出了一种 2D-3D 融合策略，将 3D 几何特征和 2D 纹理特征相结合，实现场景分类任务中的多模态融合，并通过多领域图卷积和最近体素池化等策略提高性能。实验结果表明，该方法在 RGB-D 室内场景分类任务中优于当前的技术水平。

Sep, 2020

这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广 CNN 的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。

Nov, 2016

在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。

Oct, 2019