本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

Sep, 2018

本研究提出了一种基于扩散模型的高效的神经场三维生成方法，通过将训练数据转换为连续占据场并将其分解为一组轴对齐的三面体特征表示来实现，训练过程中，采用现有的二维扩散模型对这些特征表示进行训练，生成高质量和多样性的三维神经场，且优于其他三维生成方法。

Nov, 2022

本研究提出了一种名为 Surface Networks（SN）的模型，该模型通过利用三维曲面的外部微分几何属性，如 Dirac 算子的频谱来定义稳定的形状表示，并证明其对变形和离散化具有稳定性，在两项挑战性任务上展示了 SN 的高效性和多功能性，包括使用 SN 构建的变分自编码器进行时间预测。

May, 2017

用连续扩散过程作为图上深度学习的方法，将 Graph Neural Networks (GNNs) 视为潜在 PDE 的离散化，从而得到了一种新的 GNN 模型，该模型采用时空算子离散化，解决了图学习模型中的深度、平滑过渡和瓶颈等问题。通过稳定性分析，可以得到线性和非线性版本的 GRAND 模型，这些模型能够在许多标准图标准测试中取得很好的效果。

Jun, 2021

Sin3DM 是一种学习来自单个 3D 纹理形状的内部图案分布的扩散模型，该模型通过压缩输入到低维潜在空间来降低内存和计算成本，然后通过 Triplan 感知 2D 卷积块来训练模型，可以生成较高质量的 3D 形状，还可以用于重定位，外表绘画和局部编辑。

May, 2023

本文介绍了 Surf-D 方法，一种使用扩散模型在任意拓扑结构上生成高质量三维形状表面的新方法。通过采用无符号距离场（UDF）作为表面表示，能够处理任意拓扑结构并生成复杂形状，解决了先前方法在拓扑结构和几何细节方面的限制。通过点云自编码器学习紧凑的潜在空间，并使用梯度查询来捕捉详细几何信息，结合课程学习策略提高嵌入过程的效率。使用预训练的形状潜变空间，采用潜变扩散模型获取各种形状的分布，并在多种模式下展示出出色的形状生成性能，并对无条件生成、类别条件生成、图像三维重建和文本到形状任务进行了广泛实验。

Nov, 2023

本文采用卷积神经网络 (CNN) 来预测多孔介质的基本属性。该文分两项任务，第一项任务是利用几何分析来预测孔隙率和有效扩散系数，第二项任务则是通过重构系统的几何和浓度图来完成。其中，本文提出了两种不同种类的 CNN 模型，分别为 C-Net 和 U-Net。此外，U-Net 能够准确地重构浓度场，而且在各种数据类型上都表现出了良好的性能。

Apr, 2023

本研究提出了一种新的扩散设置，可以仅通过 2D 图像监督就可以进行端到端的训练，同时提出的图像形成模型将模型内存与空间内存分离，以应对 3D 扩散模型在训练上遇到的问题，并在 CO3D 数据集上进行的实验表明，该方法是可扩展的，具有稳健性，与现有的 3D 生成建模方法在样本质量和保真度方面相当竞争。

Mar, 2023

介绍一种新的用于处理图结构数据的模型 - 扩散卷积神经网络 (DCNN)，利用扩散卷积操作来学习基于扩散的表示，并在节点分类任务上表现出色。

Nov, 2015

在电影、游戏、工程以及增强 / 虚拟现实等多种实际应用中，可控地生成 3D 资产具有重要意义。最近，扩散模型在生成 3D 对象的质量方面取得了显著的成果。然而，现有模型中没有一个能够实现对形状和外观的分离生成。我们首次提出了一种适用于 3D 扩散模型的合适表示方法，通过引入混合的点云和神经辐射场方法实现了这种分离，模拟了点位置的扩散过程，并结合高维特征空间的局部密度和亮度解码器。点位置表示对象的粗略形状，而点特征则允许对几何形状和外观细节进行建模。这种分离使得我们能够独立地对二者进行采样和控制。与之前的分离能力方法相比，我们的方法在生成方面达到了新的技术水平，降低了 30-90% 的 FID 分数，并且与其他非分离能力的最先进方法处于同一水平。

Dec, 2023