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

GeoNet是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用GeoNet与PU-Net和PointNet ++等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

Jan, 2019

本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在Earth Mover's Distance（EMD）和Chamfer Distance（CD）等方面表现优异，优于现有方法。

Nov, 2019

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

本文提出了一种从点云中重建三角网格的方法，利用2D Delaunay三角剖分来构造曲面元素，同步局部2D投影的重建，从而实现了比现有方法更好的曲面重建效果。

Dec, 2020

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

本文提出了一种基于点扩散和精化的点云补全范式，其中条件生成网络使用去噪扩散概率模型生成粗糙补全， 精修网络进一步改进完成后的点云的质量，并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全，也能准确地操纵三维点的空间位置以获得光滑的表面和清晰的细节。通过广泛的实验，证明了本文提出的方法在点云完成方面优于以往的最先进方法。值得注意的是，在精细网络的帮助下，我们可以将DDPM的迭代生成过程加速50倍，而不会影响其性能。

Dec, 2021

PointGL是一种高效的点云分析架构，通过全局点嵌入和局部图池化两个递归步骤实现特征获取，并在ScanObjectNN数据集上取得了最新PointMLP模型的五倍速度和较少的计算资源使用的最先进准确性。

Jan, 2024

通过合并网络（MergeNet），该论文介绍了一种从稀疏点云预测边连接以重建网格的新方法。MergeNet学习提取候选边的特征并回归到底层表面的距离，从而筛选出位于表面上的边，通过细化这些边形成的三角形来重建网格。在合成和真实扫描数据集上的广泛实验表明MergeNet优于当前最先进的直接方法。

Jul, 2024