通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化，利用每个部件的 VAE-GANs 生成具有语义感知的部件，并使用部件组装模块将它们组装在一起，从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。

Jun, 2019

采用神经网络合成三维形状的方法中引入了基于部件表示的方法，在过去几年中已经出现。然而，当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术，特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术，我们提供了一种比较研究。我们的贡献是定性和定量评估表明，哪种新的多模态部件生成技术表现最佳，并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。

Jan, 2024

提出了一种名为 Neurally-Guided Shape Parser (NGSP) 的方法，该方法使用 MAP 推断来学习如何为 3D 形状的区域分配细粒度的语义标签，并使用神经向导网络使搜索变得可行。

Jun, 2021

我们提出了一种新方法，利用网格作为指导机制来编辑神经辐射场，通过可微的多面体网格提取和可微的颜色提取，从显式网格到隐式场实现了梯度反向传播，使用户能够轻松操作神经辐射场的几何和颜色。通过引入基于八叉树的结构来优化用户控制性，实现了对神经隐式场的细粒度编辑，并适应了各种用户修改，包括对象添加、部件删除、特定区域变形以及局部和全局颜色调整。通过各种场景和编辑操作的广泛实验，我们展示了我们方法的能力和有效性。

Dec, 2023

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021

本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

Jan, 2021

本课题设计了 PartNeRF，这是一种新型的局部感知生成模型，能够不需要显式引导实现可编辑的三维模型合成，作为局部定义的 Nerf 集合生成对象，实现了许多编辑操作。

Mar, 2023

该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

Apr, 2019

我们提出了一种新颖的前馈 3D 编辑框架，名为 Shap-Editor，通过利用 2D 图像编辑网络的蒸馏过程，结合适当的潜在空间进行直接的 3D 编辑，构建了一个仅需约一秒编辑时间的前馈编辑网络。

Dec, 2023

本文介绍了最新的文本引导下的图像和形状生成技术，包括生成逼真图像、艺术品和人体姿态，从文本描述自动填充图像和形状等。共概述了 50 份论文，并提出了一些研究思路。

Apr, 2023