本文提出了一种基于几何传递的方法，以端到端的方式将一个单纯复形嵌入到一个通用嵌入空间中，从而实现单纯复形级别的表示学习，并在公开可用的网格数据集上进行了验证。这是学习单纯复形级别表示的第一种方法。

Mar, 2021

本文提出基于 sign-vectors 的多面体分割方法，并应用于神经形状表示的几何属性优化，其速度快且在消费级机器上可用。

Jun, 2023

本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。

Sep, 2017

本文提出了一种基于图卷积的自适应分裂启发式方法，利用几何对象的图表示的附加结构来提高重建，优化本地表面和全局结构，应用于 ShapeNet 数据集的 3D 物体重建任务中，生成了具有最先进表现的自适应网格。

Jan, 2019

本文提出了一种基于图卷积神经网络的深度网格关系捕捉方法，结合形状完整性任务实现单张图像的 3D 人体形状重建，通过在网格节点之间的深度关系编码来解决预定义邻接矩阵的局限性，并通过形状完成任务来学习各种遮挡情况的先验知识减轻了性能退化问题。

Aug, 2021

提出用于 3D 深度学习辅助建模的贝叶斯图神经网络框架，通过直接从 CAD 中学习几何特征进行工程性能预测，通过贝叶斯优化确定网格元素的最佳大小，实现高准确性的辅助模型。

Jun, 2024

本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

Dec, 2017

提出了一种新的方法，利用拓扑和几何信息，仅仅使用统计数据和图神经网络就能对嵌入的单纯复合体进行无细分和等距不变分析。利用合成网格数据集证明了该方法的有效性。

Feb, 2023

该论文提出了一种基于图卷积模型的方法，通过对组合 $k$- 维霍奇拉普拉斯算子的谱操作，实现对高维拓扑特征的学习，特别是距离每个 $k$- 单形形式化的最优 $k$- 阶同调生成器的距离，为同调定位提供了一种替代方法。

Oct, 2021

在 Simplicial 2 - 复合体中，我们开发了一个卷积神经网络层，以处理具有图形或超图结构的数据，这提供了图形结构和超图结构之间的中间地带。

Dec, 2020