- ICCV基于草图和文本引导的着色点云生成扩散模型
本文提出了一种基于素描和文本引导的彩色点云生成概率扩散模型，通过结合物体的手绘素描和文本描述，联合进行去噪过程，逐步扩散点坐标和颜色值以达到高斯分布，从而产生所需形状和颜色的彩色点云生成结果。
- MMDTF-Net: 通过可变形模板场进行类别级姿态估计与形状重建
DTF-Net 是一种基于物体类别的隐性神经场方法，通过设计可变形模板场、姿态回归模块和多模态表示提取模块，实现了场景中物体的姿态估计和形状重建，并通过 REAL275 和 CAMERA25 数据集的实验证明了其在综合环境下的出色性能以及对 - ICCV3D 语义子空间遍历器：赋予 3D 生成模型形状编辑能力
我们提出了一种新颖的语义生成模型，名为 3D 语义子空间穿越器，用于特定类别 3D 形状的生成和编辑。我们的方法利用隐函数作为 3D 形状表示，并将新颖的潜在空间生成对抗网络与线性子空间模型相结合，以发现 3D 形状的本地潜在空间中的语义维 - 零样本三维形状草图视图相似度与检索
本研究探讨了预训练的 ViT 和 ResNet 特征层在量化个体三维形状的二维草图视图之间的相似性方面的能力，并使用对比学习细化预训练模型，研究所选微调策略如何影响零样本形状检索准确性，提供洞察和指导采用大规模预训练模型作为感知损失的研究。
- 零射 3D 形状对应
本文提出一种新颖的零样本方法，用于计算 3D 模型之间的对应关系，特别是针对具有很强差异性和不同类别之间匹配的问题，并在零样本情况下使用 language-vision model 方法进行分类，使用 ChatGPT 生成语义映射，并使用 - 汽车阻力系数的深度和法向渲染代理模型
该研究基于一种新的二维表示法，提出一种基于深度神经网络的代理拖曳模型，以准确有效地评估汽车设计的拖曳系数，并在多个汽车类别中获得了高达 0.84 的 R 方值，这是一项显着向自动生成拖曳优化汽车设计的重要进展。
- SATR：3D 形状零样本语义分割
通过使用大规模现成的 2D 图像识别模型，探索零样本语义分割 3D 形状的任务。我们的研究表明，现代的零样本 2D 目标检测器比当代的文本 / 图像相似性预测器或甚至零样本 2D 分割网络更适合此任务。我们的核心发现是，使用底层表面的拓扑属 - CVPR多模态非刚性三维形状匹配的自监督学习
通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集 - MeshDiffusion：基于评分的生成式 3D 网格建模
本文提出了一种基于可变四面体网格的扩散模型，用于生成具有细粒度几何细节的 3D 网格，以适用于自动场景生成和物理模拟等各种应用。
- ICLR基于隐式神经表示的形状深度学习
本文介绍了 Implicit Neural Representations (INRs) 的概念，并提出了 inr2vec 框架作为一种有效的在深度学习流程中解决 INRs 表示的下游任务的方法。
- CVPRARO-Net: 从锚定的径向观测中学习隐式场
本文提出了一种基于锚定径向观察 (ARO) 的新型形状编码，通过固定集锚定视点和利用基于注意力机制的深度神经网络来预测三维空间中查询点的包含值，实现了对三维形状的学习和隐式表示。模型在短点云的表面重建和各种物体的比较测试中表现出了可靠性和泛 - 从单例学习生成 3D 形状
本文探讨基于生成对抗网络的多尺度模型，在仅有单个参考 3D 模型的情况下进行学习，而不需要使用大规模的 3D 数据集或人工标注，从而生成多样化和高质量的 3D 模型。
- CVPR3PSDF: 三极符号距离函数用于学习具有任意拓扑结构的表面
本文介绍了一种新的可学习的内隐表示方法称为三极符号距离函数（3PSDF），可以表示任意拓扑的非水密 3D 形状并使用经典的 Marching Cubes 算法进行易于场 - 网格转换。该方法引入了新符号 NULL 符号，支持处理开放的几何体 - 3DILG：用于三维生成建模的非规则潜在格
通过使用神经场，利用三维空间内不规则的栅格表征方法，提高了点云形状重构以及生成模型的精确性和质量， 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中，实现了有关 3D 形状建模的革新工作。
- CVPRAUV-Net: 学习对齐 UV 贴图用于纹理迁移和合成
本文针对 3D 形状的纹理表达问题，提出了基于 2D 对齐 UV 映射的 AUV-Net 方法来实现纹理表达对齐，进而方便实现纹理传输、合成和重建。
- 三维等变图形隐式函数
本文提出了一种新型的图形隐式函数族，其具有等变层，可用于捕捉 3D 几何细节并保证对各种几何变换的鲁棒性，该方法在 ShapeNet 重建任务上比现有的旋转等变隐式函数从 0.69 提高到 0.89 (IoU)，并且可以推广到其他类型的相似 - 3D 透明物体混合 Mesh-neural 表示法的重建
本研究提出了一种基于手持拍摄的自然光下重建透明物体的 3D 形状的新方法，该方法采用了显式网格和多层感知器网络（MLP）的混合表示，通过多视图剪影获得初始形状，并使用基于表面的局部 MLP 编码顶点位移场（VDF）进行表面细节的重建。定义在 - CVPRAutoSDF: 用于 3D 完善、重建和生成的形状先验
该研究提出了一种基于自回归先验的方法来解决三维形状完形、重建和生成等多模态三维任务，该方法可以在一个任意集合的空间查询位置上对三维形状建模，从而在不同的条件下执行形状补齐。
- 通过 Lipschitz 正则化学习平滑神经函数
本文介绍了用于神经隐式场的 Lipschitz 正则项，以促进其对良好变形处理的优化，并在 3D 形状插值、外推以及部分重构相关应用中与现有技术和基准模型相比取得更优的量化和定性结果。
- 高效几何感知的三维生成对抗网络
使用单视角 2D 照片集合进行高质量多视角一致的图片和 3D 形状的非监督生成一直是一个难题，本文提出了一种混合显式 - 隐式网络架构，用于提高 3D GANs 的计算效率和图像质量，实现了高分辨率实时多视角一致的图像合成，同时产生高质量的