学习三维物体的细粒度分割，无需部件标签
本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。
Dec, 2018
本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型，通过高层节点提供的强有力上下文线索来约束低层级别的分割，并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分，对细颗粒度和语义分割具有state-of-the-art的性能。
Mar, 2019
本文介绍了一种名为Parts4Feature的深度学习网络，它可以从多视图的部分级信息中学习三维全局特征，利用多重关注机制将检测到的部分聚合到全局特征中， 并通过区域建议模块将局部和全局信息相互促进，从而实现了在三大3D形状基准测试中的良好表现。
May, 2019
本研究提出一种基于学习的聚合聚类框架，在提取局部上下文以促进泛化到未知类别的情况下，学习部件的几何先验知识，并在不看到任何注释样本的情况下将其应用到未见过的类别中，实现了对大规模细粒度3D零件数据集PartNet的有效分割。
Feb, 2020
本研究提供了一种可解释的深度模型，通过在深层神经网络中将基于区域的部件发现和归因结合起来实现细粒度视觉识别，并通过图像级对象标签进行训练，可以有效地识别图像中的对象部件，提高细粒度识别和对象部件定位的准确性。
May, 2020
FG3D-Net是一种用于3D形状分类的方法，它通过引入fine-grained的数据集和part-view attention等技术，提高了在3D形状细分类别上的识别精度。
May, 2020
提出了一种名为Neurally-Guided Shape Parser (NGSP)的方法，该方法使用MAP推断来学习如何为3D形状的区域分配细粒度的语义标签，并使用神经向导网络使搜索变得可行。
Jun, 2021
我们基于自监督学习开发了细粒度分类和分割任务的表示优化技术，通过识别部分特异变化改进了fine-grained分类，在卷积和视觉变换网络中聚类像素表示，利用部分中心化学习和对比在图像中对部分进行聚类，并在多个数据集上展示了在图像分类和部分分割任务上的性能提升。
Sep, 2023
通过引入2D模型的特性，我们提出了Segment3D方法，用于生成高质量的3D场景分割掩码，从而实现对于细粒度掩码的改进，并且能够轻松添加新的训练数据以进一步提升分割性能，而无需手动标注训练标签。
Dec, 2023
介绍了针对大规模非分类 3D CAD 模型的深度聚类算法的基准测试和评估工作。使用七种基准深度聚类方法，提出了一种新颖且可行的基于集成的聚类比较方法，以解决非分类数据的聚类方法评估所面临的挑战。这项工作是首次直接针对用于 3D 形状的深度聚类算法的未开发领域，我们相信这将成为分析和利用正在出现的大规模 3D 形状收藏的重要基础。
Apr, 2024