- 重新构想：移动设备实时镜面渲染
该研究通过利用网格进行加速渲染的方法，结合新颖的视角相关信息参数化方法，解决了实时渲染中对高反射物体和无约束室外场景的挑战。通过将颜色分解为漫反射和镜面反射，并基于神经环境贴图模拟反射方向上的镜面颜色，实验结果表明，我们的方法在高反射表面的 - epsilon-Mesh 攻击：面向面部表情识别的基于表面的对抗性点云攻击
基于点云数据的 epsilon-Mesh 攻击方法对训练过的 DGCNN 和 PointNet 模型成功地产生了无法区分的面部变形，攻击成功率分别达到 99.72% 和 97.06%。
- 3D 画笔：级联分数蒸馏的 3D 形状本地风格化
通过文本描述，我们开发了 3D 画笔技术，这种技术可以自动为网格上的本地语义区域上色。我们的方法直接在网格上操作，生成与标准图形管道完美融合的纹理映射，同时产生定位地图和与之符合的纹理映射。我们完善了局部编辑技术的细节和分辨率，利用级联扩散 - 鬼于外壳：一种对一般三维形状进行表达的富有表现力的方式
创建逼真的虚拟世界需要对广泛对象的三维表面几何进行准确建模，我们提出了一种名为 G-Shell 的新表示方法，通过定义一个流形符号距离场在完全密封的模板上对开放表面进行参数化，实现了多视图图像重建和非完全密封网格的生成建模。
- 基于非结构化生成模型的可探索网格变形子空间
通过在预训练的生成模型子空间中构建一个易于导航的二维探索空间，将给定的一组标志性形状的变化转化为变形场，以便将这些变化传递到高质量的网格模型。
- SieveNet: 基于点特征的网状网络选择
SieveNet 是一种新的方法，综合考虑了规则拓扑结构、准确的几何信息和网络架构，用于处理 3D 计算机视觉和图形中的网格数据。
- 利用几何度量实现网格不变的三维生成深度学习
该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。
- 双侧特征融合 3D 姿态传递
提出了一种双侧特征融合姿势转移网络，通过将姿势特征作为解码网络的一个侧面输入，并在多个尺度上逐层将其融合到目标网格中，从而提高了轻量级方法的姿势转移准确性。
- CVPR指针扫描：基于云 - 射线相交的神经渲染
本文提出了一种新的方法，将点云渲染成表面，该方法可微并且不需要特定于场景的优化，可以用于表面法线估计、渲染全局点云、反向渲染和光线跟踪。通过直接推断给定点云所代表的底层表面与光线的交点，通过训练一个集合转换器可以将局部邻居点与光线的交点、表 - 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。
- 神经网格流：通过微分流生成三维流形网格
提出了基于神经元流形流 (Neural Mesh Flow) 的方法来生成具有二次曲面流形的三维网格模型，具有较高的几何精度和更好的适用性于基于物理的渲染和模拟。
- 使用 PyTorch3D 加速 3D 深度学习
本文介绍了 PyTorch3D，一个用于 3D 深度学习的模块化、高效且可微分的操作库，包括一个快速、模块化和可微分的渲染器，通过合成分析方法来预测出优秀的 3D 网格和点云，它比其他可微渲染器更加模块化和高效，在大型网格和图像方面也更具优 - 利用高效空间变化核的全卷积网格自编码器
本文提出了一种不基于模板的完全卷积网格自编码器，其具有高精度的重构能力，能够对任意已注册的网格数据进行编码，对于传统的 3D 网格生成模型而言，其潜在编码具有更高的插值能力。
- 使用旋转等变特征的曲面上的 CNN
该论文提出了一种用于表面的网络架构，其中包含旋转等变的特征，以解决运输滤波器核时出现的旋转歧义问题。基于圆谐函数的卷积滤波器在离散层次上具有旋转等变性，将该方法应用于三角网中，并在形状对应和分类任务上进行了评估。
- ManifoldPlus：一种鲁棒且可扩展的三角形网格闭曲面生成方法
ManifoldPlus 是一种用于将三角网转换为无漏洞流形的可靠且可扩展的方法，它采用了一种基于投影的优化方法来精确地恢复类似于参考网格的无漏洞流形，并以 ModelNet10 和 AccuCity 数据集为例来验证其性能。
- ICLR标度等变网格 CNN：几何图上的各向异性卷积
本文提出了一种基于等规反变的网络结构，使用各向异性卷积核来应用于网格类型数据，得到了比传统的卷积神经网络更加显著的效果。
- 仅仅利用二维监督学习来生成和重建三维网格
论文提出了一种统一框架，用于解决单幅图像特定类别的 3D 重建和新 3D 形状生成的问题。该方法支持弱监督学习，只需要单个实例的 2D 图像，使用网格作为输出表示，并利用光照信息提高了性能。实验结果表明，该方法在定量度量上与最新的基于体素方 - 从单视图学习重构无纹理可变形表面
论文提出了一种基于数据驱动的方法，可以用于从单张图片中预测纹理缺失表面的三维重建结果，结果可以表示为网格、法线或深度图等形式，研究表明在文中所述情境下，网格并不适用于处理纹理缺失表面的三维重建。该方法可以很好地泛化到未见过的物体，并且更优于