3D Representation
分成两类：无参数(Non-parametric) 和 有参数(Parametric)
Explicit Representation
- Point Cloud：点云，每个点有三维坐标
- Polygon Mesh：多边形网格，每个面由多个点组成
- Subdivision Surface：细分曲面，通过不断细分多边形网格来得到更平滑的表面
Implicit Representation
- Constructive solid geometry (CSG)：构造实体几何，通过布尔运算来得到复杂的三维形状
- Voxels：体素，每个点有三维坐标和颜色
- level set：水平集，通过函数 来表示表面
Datasets(AI+geometry)
Princeton Shape Benchmark
- 定位： 3D 形状检索的“鼻祖”级数据集。
- 特点： 发布于 2003 年，包含约 907 个多边形模型，分为 92 类。
- 用途： 主要用于测试传统的 3D 形状检索和分类算法。
- 现状： 规模较小，现在较少用于深度学习训练，但适合做历史对比或基础算法验证。
ShapeNet
- 定位： 3D 领域的“大数据”仓库。
- 特点： 包含约 300 万个 3D 模型，覆盖 22 万多个类别。模型带有丰富的语义标注（如部件分割、功能标注等）。
- 用途： 适合需要海量数据支撑的任务，如生成模型、细粒度分类。
- 注意： 数据质量参差不齐，部分模型非水密（有洞），直接使用需预处理。
ShapeNetCore
- 定位： 深度学习研究的“标准版”数据集。
- 特点： ShapeNet 的精选子集。包含约 5.5 万个高质量模型，仅保留 13 个常见类别（如飞机、椅子、桌子等）。所有模型均为水密网格，且方向标准化。
- 用途： 最常用。绝大多数 3D 深度学习论文（如 PointNet、3D-CNN）都基于此数据集进行训练和对比。
- 建议： 入门研究首选。
Objverse
CO3D
PartNet
ScanNet(++)
