WrappingNet: 深度球面变形的网格自编码器
本文提出了一种不基于模板的完全卷积网格自编码器，其具有高精度的重构能力，能够对任意已注册的网格数据进行编码，对于传统的 3D 网格生成模型而言，其潜在编码具有更高的插值能力。
Jun, 2020
本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格，通过在概率潜空间中探索 3D 表面，既可以代表 3D 动画序列，也可以代表同一类别的对象集合，具有大规模非线性形变的多样形状，广泛的实验表明我们的方法可以实现不同的形状性能，如形状生成、形状内插，形状空间嵌入和形状探索，取得了超越最先进方法的结果。
Sep, 2017
本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。
Dec, 2017
本文介绍了一种新方法，将表面网格的离散化转换为半正则网格，使其具有局部正则性连接和分层网格的性质，并使用空间卷积过滤器和池化算子来处理所有半正则网格，该方法的重构误差比当前最先进的模型低 50％以上。
Oct, 2021
本文提出了一种深度自编码器，其中包括了图形拓扑推断和过滤模块，以实现对非结构化 3D 点云的紧凑表示，在无监督的情况下处理原始 3D 点云，优于其他目前的方法，进一步提高了无监督学习性能。
May, 2019
本文提出了一种基于网格自编码器的架构，利用稀疏正则化与卷积运算在处理嘈杂数据和大规模形变的网格时提取局部形变成分，此框架提供了一种以非线性的方式进行基础网格重建的方法，实验表明该方法优于目前的线性组合方法
Sep, 2017
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
我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的网格。我们方法的核心是一种谱池化技术，它建立了一个通用的潜空间，摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段，我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间，以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明，我们的方法实现了优秀的重建，并产生了比基准方法更真实、更平滑的插值。
Oct, 2023
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