3D 场景图对齐是一个部分的图匹配问题，我们提出了使用图神经网络来解决它，通过将点云注册方法学习的几何特征与节点级语义特征关联，实现了部分匹配，并通过运行预训练的注册网络在匹配区域内实现了点云注册等下游任务。我们还提出了一种点匹配重新评分方法，利用 3D 场景图的节点对齐重新调整预训练点云注册方法的匹配候选项，特别是在低重叠情况下，减少了错误的点对应估计。实验证明，我们的方法在低重叠和随机变换情况下将对齐精度提高了 10~20%，在多个下游任务中优于现有方法。

Mar, 2024

本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019

该研究将形状匹配视为度量学习，使用卷积神经网络进行实现，在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化，基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务，对象类别或领域学习不同的方法不同，该方法在所有实验中使用相同的网络，取得了最先进的结果。

Sep, 2017

StructureNet 是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

Aug, 2019

利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法，既能捕捉形态的人群统计特征，又能减少推理负担和放松输入要求，这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。

May, 2023

本研究提出一种无监督方法，利用深度几何特征和功能对应关系，同时学习复杂解剖学中的局部和全局形状结构，从而显著改善统计形状模型的无监督对应估计，并且精度高于基线方法，甚至在高度不规则的表面拓扑上也适用。

Apr, 2023

该研究论文提出了一种基于图形而非基于点的匹配算法，通过使用谱图理论将图形映射到低维空间来对齐形状和避免姿态变化带来的不变性问题，该算法通过直方图匹配来选择拉普拉斯矩阵的最佳特征函数子集以提高性能，并将形状匹配转化为点注册的问题。

Dec, 2020

本研究提出了一种多层图匹配网络框架，其中包含节点 - 图匹配网络和连体图神经网络，可在纵横交错的多层交互中精确地计算图状对象之间的相似度，并证明其在图分类和回归任务中的有效性及稳健性。

Jul, 2020

介绍了子图网络（SGN）的概念并应用于网络模型中，设计了用于构建 1 阶和 2 阶 SGN 的算法，并使用它们扩展底层网络的结构特征空间，以增强网络分类效果。

Mar, 2019

基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析，验证了其适用于以真实 3D 网格形状为基础的合成解剖形状，并且可以进一步增加变异性并保留更多生成形状的细节。

Mar, 2024