通过学习目标几何表面上的三维点与二维参数域内的自适应变形的 UV 坐标之间的逐点映射，我们引入了全局自由边界表面参数化的非监督神经网络架构 (称为 Flatten Anything Model - FAM)。与先前的方法相比，在不利用连接信息的情况下，FAM 基于离散表面点直接操作，从而显著降低了对网格质量的严格要求，甚至适用于无结构点云数据。此外，FAM 是全自动的，无需预切割，并且能处理高度复杂的拓扑结构，因为其学习过程能自适应找到合理的切割接缝和 UV 边界。广泛的实验证明了我们提出的神经表面参数化范式的普适性、优越性和激发潜力。

May, 2024

该研究提出了一种称为 ParSeNet 的新型端到端可训练深度网络，该网络将 3D 点云分解为参数化表面补丁，包括 B 样条补丁以及基本几何图元。

Mar, 2020

本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。

Aug, 2020

本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

Mar, 2020

本研究提出了 Points2Surf 算法，一种基于深度学习框架的局部深度信息和整体粗略信息相结合的面重建方法，显著提高了模型泛化能力和重建精度。实验证明，与其他方法相比较，Points2Surf 算法能够在新的形状上实现高质量的重建，并能使重建误差降低 30% 以上。

Jul, 2020

本文提出了一种无需过多手工注释、称为 FreePoint 的方法，用于针对点云进行不考虑类别的实例分割。该方法使用自我监督深度特征表示点特征，并使用多覆盖割算法将点云分割为粗略的实例掩模。同时，作者还提出了一种弱监督的训练策略和相应的损失，以减轻粗略掩模在训练过程中的不准确性。通过 Fine-tuning 方法，FreePoint 在 S3DIS 数据集上的表现优于仅使用 10% 的遮罩注释训练的模型。

May, 2023

本文提出了一种用于神经隐式表面的简单参数化的新型神经算法，以促进可视化和各种编辑任务，并支持多个对象的共同参数化和纹理传递。

Oct, 2023

本文提出了一种方法，通过深度学习的隐式函数和参数表示相结合，重建出具有可控性和高准确性的人体 3D 模型，使得即使加上服装等复杂因素，也能够保证模型的灵活性。

Jul, 2020

该研究提出了一种参数高效的提示调优方法（称为 PPT），用于适应大型多模态模型的 3D 点云理解。通过 PromptLearner 模块和 PointAdapter 模块，在提高参数效率的同时增强了对 3D 点云理解的提示调优能力，实验证明了该方法在参数和数据效率方面的优越性。

Feb, 2024

本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

Jan, 2018