该论文提出了一种基于动态图卷积神经网络的自主部件组装方法，主要解决了几何和关系推理的部件姿态估计子问题，从而将输入部件组装成一个 3D 形状。

Jun, 2020

利用深度学习技术对 CAD 表示的机械组件之间的自由度进行推断，通过重新定义配合移动方法以及缩小可能运动的轴线范围，并通过用户研究创建了带有可靠标签的动作注释测试集。

Aug, 2022

该研究提出了一种基于边界表示 (BREPs) 的装配建模方法，使用 SB-GCN 进行表征学习，以预测 CAD 类型的 mates 关系，并显示该模型与商业 CAD 系统的兼容性。

May, 2021

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

本文介绍了一种基于学习的方法，使用模拟环境实现家具组装规划，无需连接标签，仅依靠原始点云图像来训练神经网络以成功组装不同类型的家具。

Sep, 2022

一篇关于图像引导物体组装的研究论文介绍了一项新任务：将结构 3D 模型的多视角图像（例如，从 3D 对象库中选择的积木构建而成的模型）翻译成可由机器人臂执行的详细组装指令序列。该论文提出了一种名为神经组装者的端到端模型，通过学习图形对象图来识别图像中的组件，并通过边指定 3D 模型的拓扑结构，从而得出组装计划，并进行了全面的实证评估，证明了神经组装者的优越性。

Apr, 2024

该论文提出了一种新型神经网络结构，用于建议配件并将其放置到不完整的三维零件装配中，能够在不需要大量用户输入的情况下设计复杂形状，有望成为非专业形状设计师的强大建模范例。

Aug, 2017

COALESCE 是一个利用深度学习综合部件连接的数据驱动框架，可处理部件之间的几何和拓扑不匹配，进而生成自然和明显的部件连接，最终将其组合成一致的 3D 对象。该方法在形状合成方面明显优于现有方法，包括基准深度模型和 State-of-the-Art 方法。

Aug, 2020

本文介绍 Fusion 360 Gallery 数据集及 Fusion 360 Gym 环境，前者包含 8,625 个人类设计序列，后者将 CAD 程序的构建过程转化为马尔可夫决策过程，以便机器学习的研究。作者使用神经引导搜索等先进技术，应用数据集和环境进行 CAD 重构，取得了良好成果。

Oct, 2020

CAPRI-Net 是一种神经网络，可以通过自适应基元装配体的形式来学习三维计算机辅助设计模型的紧凑且可解释的隐式表示，可对提供为点云或体素网格的输入 3D 形状进行重构并通过构造实体几何 (CSG) 运算来获得齐次组合，该网络通过重建损失进行自监督，而不需要任何真实的形状装配。

Apr, 2021