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

该研究提出了一种称为Mesh R-CNN的系统，将2D感知和3D形状预测相结合，通过预测三角形网格的方式获取检测物体的完整3D形状，并在Pix3D上应用该系统来共同检测物体和预测它们的3D形状。

Jun, 2019

本文提出了一种基于图卷积的网格平均池化方法，使用改进型网格简化避免产生高度不规则的三角形。在此基础上，提出了一种利用边缩减池化和图卷积的自动编码器结构，能够对3D表面进行概率潜空间的探索，并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。

Aug, 2019

本文提出了一种基于内在网格卷积运算符的快速高效算法，该算法明确形式化了聚集相邻结点的顺序而不是学习权重，并通过全连接层将局部几何结构信息与顶点特征融合在一起，从而实现了对不变形状特征的有效学习。经过在三种不同类型任务停滞面对三维面部表情分类和三维形状重建，验证结果表明，本文算法明显优于现有的方法，且速度显著更快，不需要依赖形状描述符。

Nov, 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

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

本篇论文介绍了一种基于体素和网格表达，利用欧几里得信息和测地信息的深度学习体系结构 VMNet 用于室内场景的 3D 语义分割，并在实验证明了其优越性能，尤其是在大规模的 ScanNet 数据集上。

Jul, 2021

通过使用基于序列的方法，我们引入了MeshGPT这一新的三角网格生成方法，有效地模拟了艺术家创建的三角网格的紧凑特征，并且在各个类别中，形状覆盖率提高了9%，FID得分提高了30个点。

Nov, 2023

本研究解决了3D网格密集预测中网格卷积神经网络设计的挑战，特别是如何处理不规则图数据的高低分辨率变换问题。提出的自参数化的多分辨率卷积网络，创新性地构建网格金字塔，并使用区域感知的网格下采样/上采样操作，从而提高了密集预测的准确性，实验结果证实了其有效性。

Aug, 2024