GFPack++ 是一个基于注意力机制梯度场学习方法，可以有效地进行 2D 不规则装箱优化，获得更高的空间利用率，支持连续旋转，并拥有较快的运算速度和对任意边界的良好泛化能力。

Jun, 2024

用机器学习的条件生成建模方法解决装箱问题，通过学习空间关系和约束满足之间的相关性最小化资源浪费并避免重叠。

Oct, 2023

这篇研究论文提出了一种基于学习的方法，用于解决组装任意形状的无纹理碎片的问题，并展示了该方法在不同情境下的有效性。

May, 2022

通过表面贴片定义一种新颖的三维形状参数化方法，并提出了字典学习和贴片重建的新方法，在 3D 形状修补、去噪和压缩方面取得了好的效果。

Sep, 2017

本文提出将形状表示为可学习的三维基本结构的变形和组合，并演示了学习到的基本结构在三维形状生成和匹配方面的显著改进，通过区块变形学习和点翻译学习两种方法，在 ShapeNet 对象重建和人体扫描之间的稠密对应估计中取得了比现有方法更好的结果。

Aug, 2019

本文针对 3D 形状的纹理表达问题，提出了基于 2D 对齐 UV 映射的 AUV-Net 方法来实现纹理表达对齐，进而方便实现纹理传输、合成和重建。

Apr, 2022

本文提出了一种用于解决任意大小和形状的智力拼图，利用无监督学习从未标记的图像数据中学习视觉特征，可作为网络初始化的可靠方法，适用于图像分类、物体检测和语义分割等几类视觉识别任务。

Dec, 2018

本文介绍了一种基于 CAD 模型的方法，通过构建 2D 图像和 3D CAD 模型之间的联合嵌入空间，实现了对物体形状的精确估计和检测。试验结果表明，该方法对于复杂场景中的图像检测更为鲁棒。

Aug, 2021

本文提出一种新型三维装箱问题，利用深度强化学习算法中的 Pointer Network 方法来优化装箱物品的序列，以期在不固定大小容器的场景下，通过最小化表面积来减少容器成本。数值结果显示该方法较启发式方法改进了约 5%。

Aug, 2017

介绍了一个名为 PackIt 的虚拟环境，用于评估和学习几何规划的能力，其中代理需要采取一系列行动将一组物体装入有限空间的箱子中，并研究了多种基准和优化方法，包括无模型的基于学习和基于启发式的方法，以及基于搜索的优化方法。

Jul, 2020