该研究提出了一种新的学习框架，用于学习变形的3D形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。
Apr, 2017
本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建3D形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在3D语义分割中的应用。
Mar, 2018
本研究探索如何用更简单、直接的编码方法来表示 3D 几何形状，以提高几何处理效率并避免数据保真度损失。实验结果表明，该方法能在非刚性形状一致性估算方面取得竞争优势。
Sep, 2018
介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。
Dec, 2018
本研究通过使用PointTriNet模型，基于局部几何数据，使用一个分类网络和一个提议网络，生成一组点的三角剖分，实现了一个不需要监督训练的，可扩展的三维几何形态学习方法。
Apr, 2020
本文提出了一种全可微的流程，用于估计三维点云之间的准确密集对应，基于从数据学习基础并使用嵌入网络，实现端到端可训练的对应方法，在挑战性的非刚性三维点云对应应用中实现了最新的结果。
Oct, 2020
提出一种新的实时非刚性稠密点云对应的方法Deep Point Correspondence，该方法基于结构形状构造，需要比以往技术少得多的训练数据并且具有更好的泛化能力。
Oct, 2021
本文介绍了一种名为CoFiNet的粗糙到精细网络技术，该技术无需进行关键点检测，而是通过权重方案从粗糙到精细地提取点云之间的对应关系并进行匹配。在标准测试中，CoFiNet在室内和室外场景上都比现有方法表现优越，特别是在3DLoMatch上，其Registration Recall性能提高至少5％，而参数至多只有现有方法的三分之二。
通过提出神经内在嵌入（NIE）来嵌入每个顶点到高维空间从而建立弱监督的非刚性点云配准框架，无需先前的基础构建或真实配准标签。实验证明我们的框架表现与现代方法相当甚至更好，而这些方法通常需要更多的监督和 / 或结构几何输入。
Mar, 2023
通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。