本文提出一种新颖的文本生成 3D 模型方法（T2TD），通过引入相关形状或文本信息作为先验知识来提高 3D 模型生成模型的性能，并采用多层变压器结构逐步融合相关形状和文本信息，证明了该方法在 3D 模型生成质量上显着提高，且表现优于现有文本转形状数据集上的 SOTA 方法。

May, 2023

提出了一种基于图神经网络的自监督对比学习方法，用于机械 CAD 检索，可以直接建模参数化 CAD 原始文件，提高检索准确性和效率。

Jun, 2024

本文提出了一种基于关系推理图网络的新型统一任意形状文本检测方法，其中使用 CNN 和 GCN 构建创新的局部图模型将任意形状文本实例划分成一系列小矩形组件，通过深度的关系推理网络进行推理，实验表明该方法在公开数据集上具有最先进的性能。

Mar, 2020

本研究提出了一种基于深度学习的变形感知嵌入方法，致力于用于解决给定查询形状的可变形三维模型检索问题，并通过实验表明，该方法比传统基于度量的方法表现更出色。

Apr, 2020

该论文提出了一种基于文本的精细化检索方法，通过 SHREC 挑战赛测验该方法在检索三维动物模型方面的表现，受到了五个组的关注。最后，该论文提供了未来研究的潜在领域和改进方向。

Apr, 2023

该研究提出了一种基于神经变形、形状检索和嵌入空间的联合学习方法来生产高质量的 3D 模型，该方法不仅能提高变形后的匹配精度，而且还能处理不一致和多样的结构形状。

Jan, 2021

本文提供了一种 3 步程序来开发满足业务要求的对话模型，包括从历史对话中创建模板、使用神经网络建立对话上下文和业务约束，以及通过自我监督和受训者的方法优化模型，并进行实验验证并在人机交互的环境中应用于商业对话。

Oct, 2022

该研究探索了在信息检索上使用基于神经网络的检索模型时解释方法的有效性，并比较了 DeepSHAP 和 LIME 两种不同解释方法。该研究提出了解释模型的可解释性问题，并针对未来研究的方向提出了建议。

Jul, 2019

该论文介绍了基于大规模文本检索技术在实际商业场景中的应用，以及在 TREC 2022 深度学习竞赛中所采用的混合文本检索和多阶段文本排序方法，结果表明我们提出的方法有效。

Aug, 2023

通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

Mar, 2023