UV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构，它还使用图卷积神经网络显式地建模拓扑结构，并在 CAD 建模、制造、机器学习等领域得到应用，并可以优于其他 3D 形状表示方法，如点云、体素和网格。

Jun, 2020

BrepGen 是一种基于扩散的生成方法，可直接输出边界表示（B-rep）的计算机辅助设计（CAD）模型，并在 CAD 实体的层次树中表示 B-rep 模型的结构化潜在几何。

Jan, 2024

综合建模几何原语的链复形，可精确重建 CAD B-Rep 模型，提出一个新的神经网络框架来推测几何原语之间的关系，并通过全局最大化似然性和几何优化方法恢复一个确定的 B-Rep 链复形，实验表明，该模型比以前的结果更加准确和完整

May, 2022

通过使用计算机图形学经典空间数据结构 BSP，我们设计了一种名为 BSP-Net 的网络模型，它能够无监督地学习表示一个 3D 形状，并通过检测一组面来重构一个多边形网格。该模型生成的网格既密封又紧凑，适合表示尖锐的几何体，并且使用更少的基本元素即可达到与其他现有方法相同的重构质量。

Jun, 2021

利用基于二叉树空间分割的 BSP-Net 网络实现了无监督的 3D 形状表示学习及多边形网格生成，可高效地将平面分解成凸多边形，生成的网格紧凑、保证充满且易于参数化。

Nov, 2019

我们介绍了一种新的方法来获取 3D CAD 模型的边界表示（B-Reps），这涉及两个步骤：首先应用空间划分，称为 ``拆分 ''，然后通过`` 拟合 '' 操作在每个划分内导出一个单一的基元。我们的划分旨在产生一组地面真值（GT）B-Rep 基元的经典的 Voronoi 图；我们的方法采用自上而下的结构感知方式，能够明确显示基元的数量和连接关系。我们设计了一个神经网络，通过二进制分类从输入点云或距离场预测 Voronoi 图。我们展示了我们的网络 NVD-Net（神经 Voronoi 图）可以有效地从训练数据学习 CAD 模型的 Voronoi 划分，并具有更好的泛化能力。广泛的实验和评估表明，与现有的替代方法相比，所得到的由参数曲面，曲线和顶点组成的 B-Reps 更加合理，重建质量有了显著的提高。代码将在此 https URL 上发布。

Jun, 2024

本文提出了一种利用区域图和图神经网络来解决 CAD 建模中 reverse engineering 问题的新方法，实验结果表明，相比于以往使用 CSG with parametric primitives 的方法，我们的方法在几何重构精度和重构时间方面都有明显提升，并且能够生成更加合理的建模序列。

Mar, 2021

本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。

Nov, 2018

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

CAPRI-Net 是一种神经网络，可以通过自适应基元装配体的形式来学习三维计算机辅助设计模型的紧凑且可解释的隐式表示，可对提供为点云或体素网格的输入 3D 形状进行重构并通过构造实体几何 (CSG) 运算来获得齐次组合，该网络通过重建损失进行自监督，而不需要任何真实的形状装配。

Apr, 2021