本研究提出了Surface Networks（SN）模型，利用三维曲面的微分几何属性实现稳定的形状表示，并在变形和离散化中表现出高效性。研究还探讨了3D点云去噪、形状分割和分类等任务，提出多种基于深度学习的方法，显著提升了性能和结构特征保持。

本研究提出了一种新的点云去噪框架，通过学习配对点云之间的最佳运输计划，显著提升了去噪效果。实验结果表明，该方法优于现有方法，并且结合颜色信息或DINOv2特征能够进一步改善效果。

本文介绍了多种基于深度学习的点云去噪和处理方法，如IterativePFN、特征保留法线估计和PointNet架构。这些方法在高噪声条件下表现优异，能够有效去除噪声并保留几何特征，在3D重建和流场预测中显著提升性能，实验结果显示其在点云处理领域达到了最先进水平。