本研究提出了一种监督学习方法，优化拉普拉斯-贝尔特拉米算子在非刚性形状分析中的应用，显著提升了检索、分类、分割和对应任务的性能。

本文提出了一种基于网格的学习框架，用于捕捉三维重构中的细粒度几何信息。该方法通过自由形变和稀疏线性组合重建三维物体，避免依赖轮廓和标记。实验结果表明，该方法在几何处理效率和非刚性形状一致性估算方面具有竞争优势，适用于多个领域。