通过分析多个学习型三维模型来塑造可变形直线物体（DLO）的行为，本文提出了一种基于 Transformer 架构的新模型，并引入了数据增强技术以提高预测性能。在实验证明了这些学习型三维模型在塑造 DLO 任务中的适用性。

Sep, 2023

提出了一种使用散乱和无序关键点实时估计线性可变形物体形状的强鲁棒方法，并通过模拟实验和真实世界实验验证了其在追踪和估计复杂情况下的稳健性。

Mar, 2024

该研究论文介绍了一种新的神经网络结构 DeformerNet，可以帮助机器人处理和变形 3D 有弹性物体的操作，从而可靠地完成手术子任务，无需事先制作特定形状。

May, 2023

本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建 3D 形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在 3D 语义分割中的应用。

Mar, 2018

我们开发了一种能够以超过 50 赫兹的速度为不同类别的对象创建变形点云的变形网格的方法，该方法使用点云自动编码器和 Real-NVP 架构设计，可以在闭环方式下提供在线反馈并进行机器人应用的网格重建和跟踪。

Nov, 2023

我们研究了可变形物体（布料和绳索）的像素级对应问题，比较了传统方法和基于学习的方法。我们选择布料和绳索，因为它们在解析建模方面是最难的可变形物体之一，而且在机器人任务（如布料折叠、绳结打结、T 恤折叠、窗帘合拢等）中具有意义。我们提出了对于通过特征匹配进行对应的现有传统方法进行全面调查，包括 SIFT、SURF 和 ORB，以及两种最近发布的基于学习的方法，包括 TimeCycle 和 Dense Object Nets。我们的提出方法为学习非刚性（和刚性）物体的连续时间和空间对应提供了灵活、通用的公式。我们报告了所有方法的均方根误差统计结果，并发现 Dense Object Nets 在对应方面优于基准传统方法，我们提出的 Dense Object Nets 扩展方法表现类似。

May, 2024

本文介绍了针对从日常视频中建立变形 3D 对象的过程中遇到的挑战，提出了一种新的神经双四元混合蒙皮（NeuDBS）以及一个纹理滤波方法用于纹理渲染来提高建立人和动物 3D 模型的定量和定性性能。

Apr, 2023

Deformable PV-RCNN 利用 2D deformable convolution networks 设计的 proposal refinement module 以及 context gating 机制，实现适应不同目标尺度和点云稠密度的高效 3D 物体检测。

Aug, 2020

本文介绍了一个新的数据集和基准测试标准，主要针对从 3D 模型（有纹理和无纹理）训练，可扩展性，遮挡，光照和物体外观的变化等方面测试 6D 姿态估计算法的性能，并使用最先进的 DPOD 检测器来设置基线。

Apr, 2019

本文提出 3DeformRS 方法，针对点云深度神经网络现实世界变形的鲁棒性问题，通过证明其对可参数化变形的鲁棒性进行认证，得出对四个点云深度神经网络在两个数据集和七种不同变形下的综合实验研究，证明 3DeformRS 相对以往方法更快、规模更大且提供有效证书。

Apr, 2022