通过集成分子的 2D 表示和其多个构象体的表示，提出了一种新颖的 2D-3D 聚合机制，结合了分子的属性预测和机器学习方法，在已有数据集上显著优于现有的方法。

Feb, 2024

通过合成构象坐标和 E (n)- 等变图神经网络 (EGNN) 将分子图映射到欧几里得点云，我们介绍了一种新的分子图生成的框架 ——SyCo。学习其逆映射后，可以应用现有的 3D 分子生成模型。此方法将图生成问题简化为点云生成问题，随后进行节点和边的分类任务。此外，我们提出了一种基于修复和引导的新型相似性约束的 3D 扩散模型优化方案。作为我们框架的一个具体实现，我们开发了基于 E (3) 等变扩散模型 (EDM) 的 EDM-SyCo，在分子图的分布学习中实现了最先进的性能，在 ZINC250K 和大规模 GuacaMol 数据集上优于最佳的非自回归方法 30% 以上，同时将条件生成的性能提高了最多 3.9 倍。

Jun, 2024

本文提出了一种基于等变特征学习和隐式形状模型的无对应点云旋转配准方法，可实现无需数据关联、在特征空间中闭式求解和对噪声鲁棒。实验结果表明，该方法优于现有基于深度学习的无对应点云配准方法。

Jul, 2021

该论文介绍了首个用于三维点云的量子自动编码器，通过在模拟的基于门的量子硬件上进行实验，证明了该方法优于简单的经典基准模型，为三维计算机视觉领域开辟了新的研究方向。

Nov, 2023

使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构

Oct, 2020

该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高 3D 识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。

Jul, 2017

本篇论文提出了一个双管齐下的方法来解决单视图图像的三维重建问题，引入数据先验的概念并设计了 3D-LMNet，使用潜在嵌入匹配的方法进行三维重建，在概率潜在空间中学习多个与输入视图一致的重建结果，使用新颖的视图分化损失函数实现不同角度的多方案三维重建，实验证明该方法在真实和合成数据集上的性能均超过了现有技术。

Jul, 2018

本研究提出一个命名为 3DLinker 的条件生成模型，以生成用于连接具有独立功能的两个分子的链接物，该模型可以预测锚点，以及联合生成链接器图形和它们的 3D 结构，具有较高的恢复分子图形的率和准确地预测所有原子的 3D 坐标的表现。

May, 2022

通过使用 3D 到多视图掩码自编码器，充分利用 3D 点云的多模属性，提出了一种全新的方法，这不仅丰富了模型对几何结构的理解，还利用了点云的固有多模性能，有效地改进了各种任务，包括 3D 对象分类、少样本学习、部分分割和 3D 对象检测。

Nov, 2023

本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

Mar, 2023