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

StructureNet是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的3D形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

Aug, 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

该研究提出了一种新的方法，可以同时恢复3D对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

Apr, 2020

本研究提出了一种非监督学习方法来发现和分割物体部分，通过像素级别的图像重建配合先前任务的代理目标，得到了一种更有意义的部分分解方法，优于现有的三个基准数据集，提供了一种一致的、可视化的物体语义部分表示。

Nov, 2021

提出了利用大规模合成数据集和神经部件先验（NPP）来学习3D物体的几何部件先验，该方法能够在测试时对现实世界的扫描3D场景进行鲁棒的部件分解，同时适应观察到的真实几何形状，并在由相似几何对象组成的场景中实现全局优化。在ScanNet数据集的实验中，NPP在实际场景中的部件分解和对象完成方面明显优于现有技术。

Mar, 2022

该论文提出了一种新颖的隐式表示——Latent Partition Implicit（LPI）方法，通过使用表面编码将3D形状表示为部件集以提高建模准确性和可解释性，并在广泛使用的基准测试中胜过最新的方法。

Jul, 2022

通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将3D形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

Mar, 2023

3DMiner是一种从具有挑战性的大规模未标注图像数据集中挖掘3D形状的流程，该方法利用自监督图像表示的最新进展，将具有几何上相似形状但背景、纹理和视点不同的图像聚类，并找到它们之间的共同图像对应关系，再利用这些对应关系获取粗略的相机估计，进而通过渐进式捆绑调整重建方法学习表示底层形状的神经占据场。

Oct, 2023