本文探讨了将自监督预训练用于基于 transformers 的 3D 网格数据分析的学习范式，并首先将 Vision Transformer 适应到 3D 网格数据处理中，即 Mesh Transformer，并通过 MAE 的启发，在 3D 网格数据上进行自学习，提出了 MeshMAE 方法，可以提供 3D 网格分析任务的最新性能，并证明了我们方法中关键设计的有效性。

Jul, 2022

本文提出一种名为 Mesh Graphormer 的图卷积强化 Transformer，可从单张图像中重建 3D 人体姿势和网格。实验结果表明，该方法在多个基准测试中显著优于先前的最先进方法。

Apr, 2021

本文介绍了一种称为元语义学习 (Meta-SeL) 的方法，该方法利用两个输入的 3D 局部点（输入 3D 模型和部分分割标签），提供了一种时间和成本高效、精确的投影模型，用于许多 3D 识别任务。根据结果表明，Meta-SeL 在与其他复杂的最新研究的比较中，表现出了竞争性能。此外，Meta-SeL 对随机洗牌不变性具有弹性，也对平移和抖动噪声有较高的鲁棒性。

May, 2022

该研究提出了一种原始框架，用于在网格流形上对 3D 纹理进行无监督分割，通过相互变换的系统将网格表面划分为纹理区域和非纹理区域，使用几何图像表示对网格面片进行标记，并在三个公开数据集上进行大量实验证明该框架优于标准和 SOTA 无监督技术，并且与有监督方法具有合理的竞争力。

Nov, 2023

该研究提出了一个名为 Graph Transformer 的新特征提取模块，它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合，并包括局部变换器和全局变换器模块。在此基础上，构建了一个 3D 点云网络 GTNet，可以用于形状分类、部分分割和语义分割任务。

May, 2023

SegFormer3D 是一种记忆高效的分层 Transformer，在 3D 医学图像分割中拥有比当前最先进模型更少的参数和更低的 GFLOPS，并在 Synapse、BRaTs 和 ACDC 等广泛使用的数据集上取得竞争性结果。

Apr, 2024

本文提出了一种统一、简单、有效的模型 OneFormer3D，利用可学习的卷积核同时处理实例分割和语义分割，通过输入统一的实例和语义查询来训练，并在 ScanNet 测试排行榜中取得了第一名和新的最佳性能，同时在 ScanNet、ScanNet200 和 S3DIS 数据集上展示了最领先的语义、实例和全景分割结果。

Nov, 2023

本文提出了一种基于图卷积的自适应分裂启发式方法，利用几何对象的图表示的附加结构来提高重建，优化本地表面和全局结构，应用于 ShapeNet 数据集的 3D 物体重建任务中，生成了具有最先进表现的自适应网格。

Jan, 2019

在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。

Oct, 2019

我们提出了一种基于图神经网络的转换器方法来识别和测量分割图中的错误区域，并通过遥测得出高层结构内的人类耳蜗错误率为 0.042，大约 79.53% 的准确性。

Aug, 2023