在本研究中，我们对监督学习和对比学习预训练策略及其在下游 3D 任务中的实用性进行了深入的定量和定性调查，通过分层分析学到的特征提供了对训练网络在下游任务中的可用性的重要见解，基于这一分析，我们提出了一种简单的几何正则化策略，来提高监督学习的可迁移性，我们的工作揭示了 3D 迁移学习的具体挑战以及克服这些挑战的策略。

Mar, 2024

该研究试图从泛化、优化和可转移性的角度理解神经网络的迁移能力，发现模型的可转移性与目标数据集的相似度、训练阶段以及转移参数的一些特性相关，包括使损失函数更加有利，加快和稳定训练过程。

Sep, 2019

本文提出了一种新的局部特征计算方法 DEAL，通过极坐标采样和空间变换器抵消旋转、尺度和形变的影响，能够提供不变性。我们将模型应用于模拟环境中的几何体进行同构非刚性变形，以提供高度判别局部特征，并证明了该方法在不同数据集中相对于现有的局部特征和 RGB-D 描述符跑出了更好的结果。

Nov, 2021

本研究通过建立一个包含各种结构、数据集和训练方法的大型目标检测器转移性基准，提出了一种高效的计算方式，同时评估分类和回归子任务，以及评估具有不同物体的任务。实验证明，相比于蛮力调整所有预训练检测器，我们的方法在不同目标领域下评估转移性能优于其他现有的方法，同时降低了 32 倍的时间和仅需 5.2% 的内存占用。

Mar, 2024

本文通过分析在只微调模型最后一层的情况下分类任务的性能传输，提出了一种新颖的任务转移分析方法，该方法通过改变类先验分布、标签和特征空间的方法变换源分布，并利用 Wasserstein 距离、标签分布的条件熵以及源分布的带权损失等因素说明了传输性，同时提出了最小化转移上限的变换源任务的优化问题，通过对最新的预训练模型进行大规模实证研究，证明了本方法在预测传输性方面的有效性。

Jul, 2023

本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。

Dec, 2020

本文提出了一种使用 2D 网络预训练 3D 深度神经网络的新方法，包括像素到点知识转移、反向投影函数、上采样特征投影层等，成功提升了各种真实世界 3D 网络下游任务的模型性能。

Apr, 2021

本文提出了一种基于 2D network 预训练的点云 3D 预训练新方法，通过引入多视角一致性损失，可有效防止 3D 特征丢失并在 3D 检测和语义分割等任务中实现最先进的性能。

Jun, 2023

本研究研究了 3D 形状分类的表示和架构的作用，通过变化训练示例的数量和使用跨模态迁移学习，研究了现有深度架构的初始化对 3D 形状分类的影响，结果表明，多视图方法即使没有在大型标记图像数据集上预训练，甚至在训练简化输入（如二进制轮廓）时，也能提供最好的泛化性能。此外，从图像表示进行跨模态传输可以改善基于体素的 3D 卷积网络和基于点的架构的性能。最后，通过不可区分噪声，研究了 3D 形状分类器对于对抗性变化的鲁棒性，结果发现基于点的网络对于点位置扰动更为稳定，而基于体素和多视图的网络则很容易被输入中的微不足道的噪声所欺骗。

Sep, 2018

本文提出了一种名为 DeFormer 的新型双通道 Transformer 架构，通过参数化的可变形模型同时估计原语的全局和局部变形，以实现复杂对象形状的抽象化，在使用较少的原语的同时提供更广泛的几何覆盖范围和更精细的细节，并引入了力驱动的动态拟合和循环一致的投影损失来优化原语参数，在 ShapeNet 上的广泛实验表明，DeFormer 在重建准确性方面优于现有技术，并且通过一致的语义对应关系实现了可解释性的提升。

Sep, 2023