使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

Aug, 2023

本论文研究了精确形状抽象的显著和高效的基本描述符，提出了一种名为 Deep Deformable Models (DDMs) 的方法。DDM 利用全局变形和微分同胚本地变形来抽象复杂的物体形状，使用较少的基本图元提供更广泛的几何覆盖和更精细的细节，并能学习基于部位的语义对应关系。DDM 在形状重建和部位一致性方面的实验结果表明，较现有方法具有显著优势。

Sep, 2023

我们提出了一种自监督的，单视图三维重建模型，通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势，该方法不需要三维监督，手动注释的关键点，物体的多视图图像或先前的 3D 模板，通过自监督地学习分类特定图像的部分分割，我们可以在重建网格与原始图像之间有效强制实现语义一致性，从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义，并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。

Mar, 2020

本文介绍了一种利用概率模型和神经网络构建变形模板的学习框架，具有广泛的图像分析和计算解剖学任务应用，特别适用于临床应用中不存在预先存在模板的情况。

Aug, 2019

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

介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

Dec, 2018

本论文提出用深度学习的方法，引入形状变形网络，同时编码 3D 形状和相应关系，通过将表面表示因子化为模板和学习的全局特征向量相结合，来匹配可变形的形状。

Jun, 2018

该论文提出了一种自监督的深度表面变形方法，其中采用了循环一致性来定义物体组中的良好对应关系，并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行，并成功地将其用于传输形状间的分割。该方法在 Shapenet 上表现优于当前同类方法，特别是在少量标注样本的情况下。

Jul, 2019

我们提出了一种无监督的三维形状协同分割方法，通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状，这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力，我们引入了一个逐部位变形网络，以便对具有实质几何变化的多样部件进行建模，同时对变形能力施加约束，以确保对最初表示的部件的准确性。我们还提出了一种训练方案，有效地克服局部最小值。从体系结构上看，我们的网络是一个分支式自编码器，具有以体素形状为输入的 CNN 编码器，产生逐部位变换矩阵、潜在编码和部件存在评分，以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net，可以实现无监督的三维形状协同分割，从而产生细粒度、紧凑且有意义的部件，并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验，展示了优于之前方法的性能。

Nov, 2023

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021