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

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

本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型，并通过概率推断从 3D 和 2D 图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断 3D 表示的方法，并在几个数据集上建立了基准模型。

Jul, 2016

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

本论文介绍了一种可学习的基于特征组的图像分类方法，通过联合学习图像分类器和一组共享的部分来实现，避免了使用引擎启发式算法的过程，并引入了负部分的概念来补足其他方法只寻找正相关性的缺陷。

Dec, 2014

本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。

Dec, 2020

本研究提出了一种基于多视图图像的方法，用于识别三维场景的对象形状和布局，通过在大型数据集上的实验，证明该方法可扩展应用于现实图像，并与依赖三维信息的方法相比，表现得更好。

Jun, 2022

该文章提出了一种用单张图片指导的三维部件自动组装的方法，该方法采用包括二维三维对应和面向组装的图传递等技术解决难题并证明了其高效性。

Mar, 2020

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020

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