基于非结构化生成模型的可探索网格变形子空间
本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中3D形状表示问题提供重要思路。
Aug, 2019
本研究提出了一种以不同形状之间的形状差异作为主要对象并将其编码到自己的潜在空间中的方法来进行 3D 内容创建，该方法基于条件变分自编码器，对形状进行编码和解码，以实现对形状差分的压缩表示，分层部分结构的不均匀性以及修改抽象和转移。
Nov, 2019
该研究提出了一种生成模型来合成3D形状，以句柄集的形式——轻量级代理，为交互式编辑、形状解析和构建紧凑的3D表示提供应用，通过监督自动形状概括技术，展示了直观的形状表示，并通过我们的模型学习的潜在空间来指导交互形状编辑，补充和插值等任务，实现了卓越的质量。
Apr, 2020
本文提出了一种面向领域的 3D 形状结构的组装语言 ShapeAssembly， 并训练一个层次顺序 VAE，以从现有形状结构中提取 ShapeAssembly 程序，从而生成可解释和可编辑的3D形状。
Sep, 2020
本文提出了一种基于GAN框架生成纹理三角形网格的方法，可以不依赖关键点注释，同时在ImageNet上设置了新的基准，相比基于真实关键点的先前方法性能相当。
Mar, 2021
使用基于几何的能量来增强几何模型的数据集，通过构建变分自动编码器的潜空间并逐步增强数据集，训练出具有几何和语义有效性的生成模型，验证了该方法的有效性和能力。
Aug, 2021
我们提出了一种新颖的语义生成模型，名为3D语义子空间穿越器，用于特定类别3D形状的生成和编辑。我们的方法利用隐函数作为3D形状表示，并将新颖的潜在空间生成对抗网络与线性子空间模型相结合，以发现3D形状的本地潜在空间中的语义维度。子空间的每个维度对应于特定的语义属性，我们可以通过遍历这些维度的系数来编辑生成形状的属性。实验结果表明，我们的方法能够生成具有复杂结构的合理形状，并实现语义属性的编辑。代码和训练好的模型可以在此https URL中获得。
Jul, 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