本文提出了 ParaPoint，一种无监督的神经学习管道，通过在不规则的三维点云上建立 3D 点与 2D UV 坐标之间的点对点映射，实现全局自由边界表面参数化。我们构建了几个具有特定功能的几何意义的子网络，并将它们组装成双向循环映射框架。通过设计有效的损失函数和辅助微分几何约束，优化了神经映射过程。实验证明了我们提出的学习范式的有效性和激发潜力。

Mar, 2024

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

本研究提出了一种算法，可从流形数据样本中构建一对神经网络，以实现流形的线性化和重建，这些网络被称为 Flattening Networks（FlatNet），能够在理论上解释，可在大规模上可行，且在测试数据上具备很好的泛化能力，在高维流形数据和二维图像数据上进行了实证结果和比较，代码已公开发布。

May, 2023

本篇论文提出一种新方法，使用无监督学习计算三维形状之间的对应关系。该方法使用描述符函数的非线性变换，并同时优化映射结果的全局结构性质，例如双射性或近似等度性，在最近邻域上进行匹配，从而有望在不需要先验信息的情况下建立三维形状集合内部的对应关系。

Dec, 2018

UV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构，它还使用图卷积神经网络显式地建模拓扑结构，并在 CAD 建模、制造、机器学习等领域得到应用，并可以优于其他 3D 形状表示方法，如点云、体素和网格。

Jun, 2020

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

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

本文提出了一种新颖的基于变分模型的网络（称为 FAS-Unet），它利用了模型和算法先验知识来提取多尺度特征，为医学图像分割任务的应用提供了一种简单且有效的方法。

Oct, 2022

本文提出一种神经网络模型（Supervised Primitive Fitting Network），此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法，该模型在测试中表现更好。

Nov, 2018

通过平行帧场的工具，定义了 PFCNN 在表面网格上的应用。通过模拟标准的卷积方式，可以有效地实现表面网格上的特征学习。实验证明，在不使用比表面网格 CNN 更复杂的输入特征的情况下，PFCNN 在分类、分割、配准和场景分割等方面均实现了优异的性能。

Aug, 2018