本文提出了一种新方法，通过视点和极化数据分离漫反射与镜面反射，从而恢复物体的折射率和三维形状。结合深度学习与偏振成像，该方法能够在正面闪光下高效估计物体形状，尤其在服装人体三维形状估计方面展示了极化光的应用潜力。

本研究提出了多视图视觉提示融合网络（MvNet），旨在提高零样本三维形状识别的分类准确性。通过利用现成的2D预训练模型，达到了3D点云分类的最新性能。此外，研究还探讨了少样本物体检测、视角估计和3D重建等方法，并在多个数据集上展示了优越表现。

本文介绍了Surf-D方法，该方法利用扩散模型生成高质量的三维形状表面。通过无符号距离场表示，Surf-D解决了拓扑结构和几何细节的限制，并通过点云自编码器和梯度查询提升了形状生成的效率和性能，广泛应用于无条件生成和类别条件生成等任务。

本文研究了一种允许用户生成多个多样化部件建议的技术，并评估了不同的多模态部件生成技术，找到了表现最佳的技术。该技术在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。

本论文介绍了一种使用全可微分方法从三维形状生成艺术风格化线条图案的模型，输出带有纹理笔触的绘画。该方法使用3D形状和2D笔画的几何表达方式，传输形状和纹理风格，并保留轮廓。生成的绘画以向量表示，可用于交互式应用中的分析和编辑。

本文研究了神经网络合成三维形状的方法中引入基于部件表示的技术，并实验了多模态深度生成模型。通过评估这些技术，发现新的多模态部件生成技术表现最佳，可以更好地控制所生成的三维形状的部件。

本论文介绍了一种使用3D形状和2D笔画的模型，生成艺术风格化线条图案，并学习艺术家的风格，生成带有纹理笔触的绘画。该模型可用于交互式应用中的后续分析或编辑。

该研究提出了一种无监督的三维形状协同分割方法，通过学习可变形部件模板来构建形状，并引入逐部位变形网络进行建模。实验结果表明，该方法在性能上优于之前的方法。