本研究通过使用 PointTriNet 模型，基于局部几何数据，使用一个分类网络和一个提议网络，生成一组点的三角剖分，实现了一个不需要监督训练的，可扩展的三维几何形态学习方法。

Apr, 2020

本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。

Jul, 2020

本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

Mar, 2020

本研究提出一种新的卷积方式，能够直接在 3D 点云上进行计算，并利用其环形结构捕捉每个点的局部邻域几何特征，通过应用于神经网络，实现了目标分类、部件分割和语义分割等任务，并在多个标准基准数据集上取得了比同类算法更好的结果。

Apr, 2019

本文提出了一种新的基于学习的网络 DeepDT，用于从点云的 Delaunay 三角化重建物面。它通过多标签监督策略实现结构正则化，并能够在保持丰富几何细节的同时生成不过于复杂的表面，尤其是对于开放场景的内部表面。实验证明 DeepDT 具有较高的性能和泛化能力，并且在时间消耗方面与最先进的方法相当竞争力。

Jan, 2021

本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

Oct, 2020

提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

Feb, 2020

本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

Sep, 2018

使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

Nov, 2018

本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

Dec, 2017