本文提出基于 sign-vectors 的多面体分割方法，并应用于神经形状表示的几何属性优化，其速度快且在消费级机器上可用。
Jun, 2023
使用法线构建多面体表面，用于解决原始点云到点云的重建问题，并且在三个常用数据集上取得了最先进的结果。
Oct, 2023
在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。
Oct, 2019
本研究提出了一种名为 Surface Networks（SN）的模型，该模型通过利用三维曲面的外部微分几何属性，如 Dirac 算子的频谱来定义稳定的形状表示，并证明其对变形和离散化具有稳定性，在两项挑战性任务上展示了 SN 的高效性和多功能性，包括使用 SN 构建的变分自编码器进行时间预测。
May, 2017
本文通过对三平面离散数据结构进行处理，展示了该结构具有丰富的信息，可以通过标准深度学习模型进行有效处理，并在处理过程中实现了与处理显式表示结构相当的任务性能，同时保持了相同的重建质量。
将对称性的概念融入点云神经网络中被证明是提高其泛化能力的一种有效方法。我们引入了 APEN，一个构建近似分段 $E (3)$ 等变点网络的通用框架，借助该观察，我们的设计能够仅基于 (i) 对分割预测的不确定性的量化和 (ii) 未能提出正确子分割的概率的界来限制每一层的等变性近似误差。通过两种数据类型的实证结果，即具有部件对称性的真实场景扫描和人体运动的部分，我们展示了 APEN 的有效性，相较于先前的工作，在分类和分割任务中显示了明显的泛化改进。
Feb, 2024
本文提出了一种基于本地纹理估计器和隐式神经表示的图像变形方法，该方法通过局部纹理和坐标变换的局部可变雅各比矩阵来预测变形图像的傅里叶响应，同时也成功实现了对不同变换的泛化处理。
Jul, 2022
本文介绍分段线性激活函数对神经网络损失曲面的形状有较大的影响，证明了许多神经网络的损失曲面具有无限的虚假局部极小值，将神经网络损失曲面分为多个平滑和多线性细胞。
Mar, 2020
本文提出了一种基于连续小波嵌入式表示的 3D 形状生成、反演、操纵方法，包括紧凑的小波表示、扩散生成器、细节预测器、编码器等，实现了较为强大的形状生成、反演、操纵能力，优于现有的最新方法。
Feb, 2023
本文提出了使用正交基函数 Zernike 多项式在二维流形上扩展卷积神经网络的新方法，用于对几何特征进行编码和数学量化，并实现了 CNN 基本构建块的数学推广。
Dec, 2018