我们提出了一种新颖的前馈 3D 编辑框架，名为 Shap-Editor，通过利用 2D 图像编辑网络的蒸馏过程，结合适当的潜在空间进行直接的 3D 编辑，构建了一个仅需约一秒编辑时间的前馈编辑网络。

Dec, 2023

利用边界敏感度表达参数的扰动如何移动形状边界，实现几何编辑并最优化约束目标，同时不需要转换为另一种表示方法（如网格结构），可用于神经网络的训练与更新。

Apr, 2023

Hybrid-CSR 是一种几何深度学习模型，它结合了显式和隐式形状表示，用于皮质表面重建。该方法统一了显式和隐式皮质表面重建，通过优化改进的网格变形模块进行端到端训练，以捕捉详细结构并解决拓扑缺陷，以达到更准确、规则和一致的数字测量结果。

Jul, 2023

提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

Jun, 2018

该研究提出了一种使用 Geodesic Convolutional 神经网络，通过把原始形状用 poly 立方地图重新映射，使用 GPU 而不是 CPU 进行计算，实现快速准确地优化复杂形状

Feb, 2018

NEUFORM 通过将过度拟合和可推广的表示相结合来精确编辑神经场景表示，且在椅子、桌子、灯具等人造物品形状的部分成功进行了重构，同时保留了语义完整性和过度拟合形状表达的准确性。

Jul, 2022

我们提出了一种新的神经网络架构 NeuroMorph，采用图卷积和全局特征池化的优美结构，实现了在单次前馈传递中对输入的两个 3D 形状进行平滑插值和点对点对应，其具有无监督学习能力，适用于不同对象类别的非等距对，并在多个基准测试中匹配或超过了最新无监督和有监督方法的表现水平。

Jun, 2021

本文提出了一种形状取向的消息传递方案 ShapeConv，结合了形状特征学习和上下文信息对基于点云的分析的贡献，并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。

Apr, 2020

该研究提出了一种基于深度学习的几何建模技术 CSGNe，旨在将 2D 或 3D 形状转化为构建程序以生成一个简单的，可解释性的生成模型，并通过 policy gradient technique 实现对无程序标注的数据集的训练。

Dec, 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