采用基于多面体的图神经网络模型 PolyGNN 对点云进行 3D 建筑重建，通过多面体分解网络学习组合原语，通过图节点分类实现紧密、紧凑和弱语义重构。

Jul, 2023

开发了通用的多边形编码模型 NUFTspec 和 ResNet1D，可以将包括复杂多边形在内的多边形特征编码为嵌入式向量，适用于形状分类和空间关系预测任务。

Sep, 2022

该论文提出了一种基于神经网络和多边形表示的语义平面检测方法，可用于解决房间布局估计任务，通过线和交点等特征生成无向图，从中获得所求平面的多边形表示，实验结果表明该基于图的方法在使用合成线框检测时超越了当今最先进的方法，表现出很大的潜力。

Jun, 2023

Geospatial embeddings are crucial for city analytics and earth monitoring, but learning comprehensive region representations is challenging; this paper introduces GeoHG, an effective heterogeneous graph structure, to learn region embeddings by addressing intra-region feature representation and inter-region dependencies, demonstrating superior performance in geo-prediction tasks even with limited training data.

May, 2024

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

本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

Feb, 2020

本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

Jul, 2023

该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

Apr, 2023

提出了几何信息神经网络（GINN）的概念，该网络涵盖了在几何约束下的学习、神经场作为合适的表示以及在几何任务中遇到的欠定系统的多样化解决方案生成。 GINN 公式不需要训练数据，并且可以被认为是完全由约束驱动的生成建模。 将显式多样性损失添加到减轻模式崩溃。 考虑到几何成分的连通性等多种约束，并通过莫尔斯理论将其转化为可微的损失。 通过实验证明了 GINN 学习范式在二维和三维场景中的有效性，场景复杂性逐渐增加。

Feb, 2024

该论文提出了一种新框架使用图形卷积网络（GCN）同时预测所有顶点，支持多边形或样条标注，提高了标注效率和自动化性能

Mar, 2019