我们提出了一种无监督的三维形状协同分割方法，通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状，这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力，我们引入了一个逐部位变形网络，以便对具有实质几何变化的多样部件进行建模，同时对变形能力施加约束，以确保对最初表示的部件的准确性。我们还提出了一种训练方案，有效地克服局部最小值。从体系结构上看，我们的网络是一个分支式自编码器，具有以体素形状为输入的 CNN 编码器，产生逐部位变换矩阵、潜在编码和部件存在评分，以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net，可以实现无监督的三维形状协同分割，从而产生细粒度、紧凑且有意义的部件，并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验，展示了优于之前方法的性能。

Nov, 2023

本论文提出用深度学习的方法，引入形状变形网络，同时编码 3D 形状和相应关系，通过将表面表示因子化为模板和学习的全局特征向量相结合，来匹配可变形的形状。

Jun, 2018

本文提出了一种基于自编码器框架的方法，学习固定模板上的连续形状变形场，通过表面内和表面外的点监督变形场，并通过一种新的有符号距离正则化方法，实现了非刚性形状对齐，在清洁水密网格上训练，在面临噪声，异常值和自遮挡等挑战时表现出色，为现实世界数据的形状分析提供基础。

Mar, 2022

本篇论文提出了一种基于神经网络的混合变形模型网络 (HDM-Net) 来解决单目非刚性三维重建的问题，并利用多种状态下的知形状非刚性变形结构进行网络训练，通过纹理依赖表面变形、着色和轮廓等多种重建线索得到一个非常普适的结果。

Mar, 2018

本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D，以学习 3D 形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

Dec, 2018

我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的网格。我们方法的核心是一种谱池化技术，它建立了一个通用的潜空间，摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段，我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间，以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明，我们的方法实现了优秀的重建，并产生了比基准方法更真实、更平滑的插值。

Oct, 2023

使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

Aug, 2023

Deforming Autoencoders 是一种用于图像生成的生成模型，通过无监督方式将形状与外观分离。使用模板坐标系表示形状，并且可以成功分解面部图像成明暗和反照率两部分，在模板坐标系上更强大的无监督分解变得可能。

Jun, 2018

本论文介绍了一种名为 DEMEA 的新型深度网格自编码器，将嵌入形变层作为一种局部刚度正则化器来增强自编码器的性能，使其适用于高度变形的物体，并能应用于不同网格的形变传递。该自编码器在几种数据集上得到了较高质量的结果，并可应用于非刚性三维重建、表面跟踪等多种领域。

May, 2019