提出神经架构，输入 2D 或 3D 形状并输出生成形状的程序。程序基于构造实体几何原理，采用循环神经网络以一种自下而上的方式解析输入形状，显著提高了速度和精确性，使用强化学习技术进行训练。

Dec, 2017

实例分割是计算机视觉中的关键任务之一，本研究提出了一种名为生成形状提案网络（GSPN）的 3D 对象提案方法，并将其应用于一种新颖的 3D 实例分割框架中，名为区域点网络（R-PointNet）。GSPN 引入了几何理解以及生成技术来提出精确的实例分割，取得了良好的性能表现。

Dec, 2018

PartGlot 介绍了一种基于语义部件分割的神经框架和相关架构，仅基于部件引用语言进行学习，利用自然语言反映对象组成结构对对象及其部分形成的准则提出优先权，无需进行大规模的部件几何注释即可仅通过语言学习三维形状部分。

Dec, 2021

本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。

Mar, 2021

该研究提出了一种基于深度学习的几何建模技术 CSGNe，旨在将 2D 或 3D 形状转化为构建程序以生成一个简单的，可解释性的生成模型，并通过 policy gradient technique 实现对无程序标注的数据集的训练。

Dec, 2019

该论文提出了一种将几何形状转化为分层分割部件的方法，并使用 “场景图” 和 “部件名称” 建立类别特定模型来训练和分割 3D 形状，最终完成对几何和部件之间的可视化分层和标记，实现了对物体和它们所包含的部分的分层和标记的应用。

May, 2017

本文介绍了 SP-GAN，一种新的无监督的球形引导生成模型，用于直接合成点云形式的三维形状。SP-GAN 可以合成各种高质量的具有细节和可控性的形状，同时不需要任何零件注释。

Aug, 2021

本文提出了一种叫做 GrowSP 的无监督 3D 语义分割方法，其关键在于通过逐渐增长的超点来发现 3D 语义元素，并将其分组成语义元素进行最终的语义分割。我们在多个数据集上对我们的方法进行了广泛评估，证明了其在无监督基线系统中具有优异性能，并接近于经典的全监督 PointNet。

May, 2023

本文介绍了 Masked Shape Prediction (MSP) 框架，它使用 3D 语义提示来预测掩码点，并引入了明确的形状上下文和隐式深度形状特征来帮助利用形状预测中的上下文提示。实验表明 MSP 可以提高下游任务的性能表现。

May, 2023

本文研究了细微的物体形态差异在语言中的表达方式，通过图像和三维模型构建了大规模的数据集，利用神经网络进行理解和表达，实现了零样本迁移学习并探究了物体形态与语言结构在物体差异中的关系。

May, 2019