本文探讨了将自监督预训练用于基于 transformers 的 3D 网格数据分析的学习范式，并首先将 Vision Transformer 适应到 3D 网格数据处理中，即 Mesh Transformer，并通过 MAE 的启发，在 3D 网格数据上进行自学习，提出了 MeshMAE 方法，可以提供 3D 网格分析任务的最新性能，并证明了我们方法中关键设计的有效性。

Jul, 2022

本文提出了 Anything-3D 框架，采用了一系列视觉语言模型和 Segment-Anything 对象分割模型来实现从单个 RGB 图像到 3D 重建的任务，并通过实验验证了其有效性和可靠性。

Apr, 2023

该研究论文介绍了一种基于 Transformer 的方法来直接建模多边形网格，并通过输入不同的对象类别、体素和图像等信息，生成可用的高质量网格，同时在表面重建指标上表现出很好的性能。

Feb, 2020

通过使用基于序列的方法，我们引入了 MeshGPT 这一新的三角网格生成方法，有效地模拟了艺术家创建的三角网格的紧凑特征，并且在各个类别中，形状覆盖率提高了 9%，FID 得分提高了 30 个点。

Nov, 2023

PivotMesh 是一种通用且可扩展的网格生成框架，通过使用 transformer-based auto-encoder 将网格编码为离散标记，并通过层次结构从面到顶点解码，首先生成粗网格表示，然后使用相同的自回归 Transformer 生成完整的网格标记，以实现对大规模数据集的原始网格建模。

May, 2024

本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格，通过在概率潜空间中探索 3D 表面，既可以代表 3D 动画序列，也可以代表同一类别的对象集合，具有大规模非线性形变的多样形状，广泛的实验表明我们的方法可以实现不同的形状性能，如形状生成、形状内插，形状空间嵌入和形状探索，取得了超越最先进方法的结果。

Sep, 2017

本文提出了一种名为神经体维网格生成器的神经网络模型，可以从随机噪声或参考图像中生成高质量的三维网格结构，并且通过比较实验，证明了这种方法在使用体素作为输入时相对于其他最先进的方法更具有稳健性，并且拥有更好的性能。

Oct, 2022

本论文提出了一种基于网格表面的谱卷积模型，该模型能够更好地捕捉面部的非线性变形和表情，使用少量数据训练即能有效地重建三维面部模型。

Jul, 2018

本文提出了一种名为 MeshGAN 的新型的生成对抗网络架构，该架构可以直接操作 3D 网格，成功应用于 3D 人脸表情生成。

Mar, 2019

通过扩展自回归模型到三维领域并改进其容量和可扩展性，本文提出了一种名为 Argus3D 的新框架，利用离散表示学习基于潜在向量的三维形状生成，大大降低计算成本并保留几何细节，同时通过简单地连接各种条件输入来实现条件生成能力。经过广泛实验验证，Argus3D 在多个类别上能够合成多样化和真实的三维形状，并取得了显著的性能提升。

Feb, 2024