本文提出了一种骨架连通的分阶段学习方法，利用不同的点云、体积和网格形状表示，通过多阶段输入图像来修正预测误差，实现了从单个 RGB 图像中学习三维物体表面重构，并通过简单和复杂拓扑的代表性对象类型展示了其优越性。

Mar, 2019

本文针对基于 RGB 图像学习三维物体表面重建的挑战性任务，通过提出拓扑保持的骨骼形状表示方法，即 SkeletonNet 设计，结合 Skeleton-Based Graph Convolutional Neural Network （SkeGCNN）和 Skeleton-Regularized Deep Implicit Surface Network（SkeDISN）模型，有效提高表面重建的性能，并在广义任务设置下取得良好效果。

Aug, 2020

本文提出了一种基于局部分离符的曲线骨架计算算法，能够捕捉相对精细的细节，并且适用于一系列形态表示，包括网格、体积形态和从点云计算的图形等。作者描述了一个简单的流程，将几何数据初始转换为图形形式、可选的简化、计算和选择局部分离符，最后构建骨架。作者通过对多边形网格、体积形态和点云等数据的测试，并从性能和质量角度比较了该方法与其他骨架化方法的结果。

Jul, 2020

GEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型，通过神经骨架为基础的表示编码形状拓扑和几何信息，生成更准确的拓扑和几何信息的表面，并应用于形状综合和点云重建任务，取得了显著的表面重建和多样化形状生成结果。

Feb, 2024

本文介绍了一种使用卷积神经网络训练二维向量场以检测对象骨架像素的方法，相比其他方法具有明显优势，可以更好地应对形状复杂、尺寸多变的对象，同时也表现出优异的对称性检测能力。

Nov, 2018

本文提出一种基于梯度手术机制的注册模型 GSMorph，实现多重损失的超参数自由平衡，在两种公开的心脏 MRI 数据集上实现了优于五种 SOTA 学习型注册模型和两种传统注册技术 SyN 和 Demons 的注册精度和平滑度。

Jun, 2023

为了提高分割结果的拓扑准确性，本文提出了一种新的损失函数 Skea-Topo Aware Loss，它考虑了每个对象的形状和像素的拓扑重要性，包括基于骨架的加权损失和基于边界修正的拓扑关键像素识别，实验证明我们的方法在三个不同的边界分割数据集上相比 13 种最先进的方法，通过客观和主观评估，提高了最多 7 个 VI 点的拓扑一致性。

Apr, 2024

本文介绍了一种基于卷积神经网络的多尺度关联侧输出全新骨架提取方法，该网络训练时实行多任务学习，实现骨架像素的定位和厚度的回归，以获取对象骨架和厚度信息在目标检测应用中的有效性。

Sep, 2016

本文介绍了一种基于 U-net 模型和 HED 架构的方法，用于通过提取形状像素中的骨架像素来训练模型，以达到准确提取 89 种不同物体的骨架的目的，其 F1 分数达到了 0.77。

Jul, 2019

使用无监督学习方法，通过中轴变换来捕捉点云的内在几何和拓扑特性，从而产生更为通用的骨架结构，并利用此学习结果可以促进点云的表面重建和分割。

Dec, 2020