研究重建物体的三维特征曲线的问题，引入神经边缘场来学习三维边缘的密度分布，在没有三维几何操作或交叉视图边缘对应的监督下，借助基于视图渲染的可微优化处理，从视图提取地面真值边缘图与渲染边缘图进行比较以进行优化，最后通过迭代优化法从神经边缘场中提取参数三维曲线，实验结果表明，在基准测试中，该模型在所有指标上均优于现有的最先进方法。

Mar, 2023

介绍了一种基于神经网络的端到端可学习技术，用于鲁棒地辨识三维点云数据中的特征边缘并采用参数曲线表示，该技术为 PIE-NET，采用区域提议结构训练模型，并在大型 CAD 模型数据集 ABC 上对其进行训练和评价，结果显示其边缘检测性能优于传统和基于深度学习的算法。

Jul, 2020

本文提出了一种新的参数化方法，使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息，从而提供了足够的信息，使得一个充分的神经网络能够学习边缘，并在获取的点云中高效地检测它们。之后，我们提出了一种新的轻量级神经网络结构，其在学习时间、处理时间和分类能力方面均优于 CNN，具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。

Nov, 2020

Real-world objects and environments predominantly consist of edge features. In this paper, the authors propose EMAP, a method for learning 3D edge representations using both lines and curves, utilizing Unsigned Distance Functions (UDF) from multi-view edge maps. The method achieves better 3D edge reconstruction and enhances neural surface reconstruction by capturing more details.

May, 2024

本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

Aug, 2021

通过提出神经内在嵌入（NIE）来嵌入每个顶点到高维空间从而建立弱监督的非刚性点云配准框架，无需先前的基础构建或真实配准标签。实验证明我们的框架表现与现代方法相当甚至更好，而这些方法通常需要更多的监督和 / 或结构几何输入。

Mar, 2023

介绍了一种新的深度网络 SepicNet 用于检测和参数化 3D 物体的棱角，包括一种自适应点云采样技术，通过大规模数据集的实验表明该方法的边缘检测效果优于现有技术。

Apr, 2023

该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

Jan, 2018

该研究提出了一种称为 ParSeNet 的新型端到端可训练深度网络，该网络将 3D 点云分解为参数化表面补丁，包括 B 样条补丁以及基本几何图元。

Mar, 2020

本文提出了一种新的基于参数曲线的车道检测方法，利用 Bézier 曲线及变形卷积特征翻转融合等方法，不仅在 LLAMAS 法案中实现了最新的最佳效果，并且在 TuSimple 和 CULane 数据集上实现了可观的准确性，同时保持了低延迟与小模型尺寸。

Mar, 2022