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

本文介绍了神经细分，这是一种新的数据驱动的从粗到细的几何建模框架。在推断期间，我们的方法将粗三角网格作为输入，并通过应用固定拓扑更新的 loop 细分来递归细分它以获得更好的几何结构，但使用一个基于补丁的局部几何的神经网络来预测顶点位置。我们的方法使我们能够学习复杂的非线性细分方案。

May, 2020

本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

Oct, 2020

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

通过将网格生成相关的微分方程嵌入神经网络的损失函数中，我们提出了一种新的方法，3DMeshNet，用于三维结构化网格的生成。该方法以几何点为输入，学习参数化和计算域之间的潜在映射，并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明，3DMeshNet 稳健且快速，并且与传统的网格划分方法相比，产生优越的网格，并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间，将网格生成开销降低了 4 至 8 倍。

May, 2024

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

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

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球面卷积神经网络的方法，用于解决医学成像等领域中的结构具有球面拓扑结构的问题，应用于婴儿大脑皮层分割和皮层特征图开发预测等神经科学任务，效果显著。

Apr, 2019

SieveNet 是一种新的方法，综合考虑了规则拓扑结构、准确的几何信息和网络架构，用于处理 3D 计算机视觉和图形中的网格数据。

Aug, 2023