本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。

Nov, 2018

本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

Sep, 2018

本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

Oct, 2020

本文介绍了 SubdivNet，一个创新且多功能的卷积神经网络框架，用于具有 Loop 细分序列连接性的三维三角网格，其利用网格卷积算子从附近面收集局部特征，支持标准的 2D 卷积网络概念并应用于 3D 三角网格结构中，通过深度池化和上采样等方式可轻松调整 2D CNN 结构以处理 3D mesh。

Jun, 2021

该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

Jun, 2017

本文提出了一种轻量级神经网络模型 GMSNet 用于智能化网格平滑，通过采用图神经网络提取节点邻居的特征并输出最佳节点位置，结合容错机制防止生成负体积单元，同时引入一种新的损失函数 MetricLoss 来消除对高质量网格的需求，实现了稳定和快速收敛，并在二维三角形网格上与常用的网格平滑方法进行比较，实验结果表明，GMSNet 具有卓越的网格平滑性能，模型参数仅为之前模型的 5%，且速度比基于优化的平滑快 8.62 倍。

Sep, 2023

表面重建中保留几何特征是一项具有挑战性的计算机视觉任务，我们提出了一种数据驱动的方法，自动检测和重新排列特征，以实现对高分辨率 3D 形状的可伸缩重建。

Nov, 2023

本篇论文介绍了一种基于体素和网格表达，利用欧几里得信息和测地信息的深度学习体系结构 VMNet 用于室内场景的 3D 语义分割，并在实验证明了其优越性能，尤其是在大规模的 ScanNet 数据集上。

Jul, 2021

本研究提出了一种名为 Surface Networks（SN）的模型，该模型通过利用三维曲面的外部微分几何属性，如 Dirac 算子的频谱来定义稳定的形状表示，并证明其对变形和离散化具有稳定性，在两项挑战性任务上展示了 SN 的高效性和多功能性，包括使用 SN 构建的变分自编码器进行时间预测。

May, 2017

使用机器学习为出现的问题预测最佳有限元网格，从而自动生成了高质量的网格，该方法基于神经网络对标准网格生成软件进行指导。

Apr, 2020