该研究介绍了一种生成 3D 形状表面的方法——AtlasNet，它将 3D 形状表示为参数化表面元素的集合，相较于生成体素网格或点云的方法，具有更好的精度和泛化能力，并可以生成任意分辨率的形状。该方法在自编码形状和单视图重建方面取得了比较优异的结果，并且在变形、参数化、超分辨率、匹配和共同分割等方面显示其潜力。
Feb, 2018
论文提出了一种统一框架，用于解决单幅图像特定类别的3D重建和新3D形状生成的问题。该方法支持弱监督学习，只需要单个实例的2D图像，使用网格作为输出表示，并利用光照信息提高了性能。实验结果表明，该方法在定量度量上与最新的基于体素方法相当或优于，而且结果更加美观，并且在弱监督学习方面表现良好。
Jul, 2018
该研究论文介绍了一种基于Transformer的方法来直接建模多边形网格，并通过输入不同的对象类别、体素和图像等信息，生成可用的高质量网格，同时在表面重建指标上表现出很好的性能。
Feb, 2020
本研究提出了第一种用于生成有纹理的3D网格的生成模型，并且引入了一种全新的3D网格生成过程，以保证不会出现自交问题，我们在合成数据和自然图像上进行了广泛的实验，结果表明我们的方法成功学习生成了五种具有挑战性的物体类别的合理和多样化的纹理3D样本。
Apr, 2020
本文提出使用不同iable rendering技术生成三角网格和相关高分辨率纹理贴图的框架，以单视角自然图像为2D监督，并将网格和纹理编码为2D表示，以便使用2D卷积GAN进行建模，并在Pascal3D + Cars和CUB上展示了方法的有效性及其评估方法。
Jun, 2020
介绍了一种深度神经网络DSG-Net，通过变分自编码器在分层结构上同时学习结构和几何形状，并使用条件部分VAE表示高质量的几何细节，从而实现了D形状生成的可控、高质量和可分离表示。
Aug, 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
PivotMesh是一种通用且可扩展的网格生成框架，通过使用transformer-based auto-encoder将网格编码为离散标记，并通过层次结构从面到顶点解码，首先生成粗网格表示，然后使用相同的自回归Transformer生成完整的网格标记，以实现对大规模数据集的原始网格建模。
May, 2024
通过将3D资产转化为艺术家创作的网格，MeshAnything模型解决了当前网格提取方法存在的问题，大大提高了储存、渲染和模拟效率，并保持了与以往方法相当的精确性。
Jun, 2024
本研究解决了现有基于变换器的3D网格处理方法在处理不规则几何数据时的关键问题，如缺少规范化排序和输入大小的变化。通过引入谱保持的标记方法和补丁级特征嵌入，并加强结构和位置嵌入的学习，我们的研究证明了这些新组件在提升学习效果及处理复杂分割与分类任务中的优势。
Oct, 2024