这篇文章提出了一种使用二流图卷积网络从三维数字化牙模型中学习多个几何属性，实现牙齿分割的方法，并表明该方法优于现有的基于深度学习的方法。

Dec, 2020

DArch是一种采用牙弓优先辅助的三维齿齑粒分割方法，该方法通过标记所有牙齿的质心以及每个牙齿的少量信息来缓解学习成本限制，并使用锚点采样方法生成最终的齿齑粒分割。

Apr, 2022

该研究提出了一种新的可靠的方法，结合 CBCT 图像重建出的牙齿网格模型，通过计算相邻牙齿之间的稀疏系数，生成缺失牙齿准确的位置和形状信息，从而为数字种植计划提供辅助。

Jul, 2023

数字牙科学在近年取得了重要进展，然而仍有许多待解决的挑战。本研究发布了一个新的牙齿网格数据集，以促进进一步的研究。此外，我们提出了变分FoldingNet (VF-Net)，它扩展了FoldingNet以实现对点云表示的概率学习。现有的点云潜变量模型面临着一个关键挑战，即输入点与输出点之间缺乏一对一映射。通过适当的编码器，我们证明了显式最小化Chamfer距离可以取代Chamfer距离的优化，从而提高计算效率并简化概率扩展。我们的实验结果表明，VF-Net在牙齿扫描重建和外推方面的性能优于现有模型，并突显了VF-Net潜在表示的鲁棒性。这些结果显示了VF-Net作为点云重建和分析的一种有效可靠方法的有希望前景。

Jul, 2023

我们提出了一种基于三维结构引导的牙齿对齐网络，在二维图像空间内对齐牙齿，生成具有美观度和真实纹理的二维照片，以促进正畸过程中的牙医与患者之间的沟通。

Oct, 2023

基于扩散概率模型，本研究提出了一种基于神经网络的牙齿排列方法，利用深度学习进行牙齿自动排列，通过提取牙模型的特征学习矫正牙齿的变换矩阵，生成具有满意的牙弓曲线和正常的咬合关系。

Dec, 2023

CBCT的3D牙齿分割方法中，通过使用多阶段框架解决了深度学习方法需要大量标注数据和设备获取数据分布不同的问题。实验证明了该方法的有效性。

Jul, 2024

本研究提出了一种名为TeethDreamer的3D牙齿重建框架，通过利用先前的知识生成已知姿态的多视角图像来解决稀疏输入，并通过神经表面重建技术重建高质量的3D牙齿模型，从而在远程监测正畸治疗方面展示了我们方法的优越性。

Jul, 2024

本研究解决了全景X光（PX）在牙科应用中的2D图像缺乏3D解剖信息的问题。提出的3DPX网络通过渐进式重构策略和混合多层感知器（MLP）与卷积神经网络（CNN）的结合，能够更好地捕捉空间信息，从而在图像重构质量上超过现有方法，并提高了后续的牙齿角度错位分类任务的性能。

Aug, 2024

本研究解决了牙齿点云分割中的稀疏标签问题，提出了一种名为SAMTooth的框架，结合了Segment Anything Model (SAM)的强大分割能力，通过自信感知的提示生成策略来补充极其稀疏的监督。实验结果表明，使用仅0.1%的标注（每颗牙齿一个点）时，该方法显著优于近期的弱监督方法，甚至与最新的完全监督方法相媲美，展示了将SAM应用于稀疏标签的3D感知任务的巨大潜力。

Sep, 2024