背景 3D点云数据在行业中广泛用于表示现实世界中的形状。 与3D网格相比，像（x，y，z）这样的点的格式更加直观，并且与数学兼容。 更不用说3D点数据更易于存储和读取。 3d点数据的深度学习任务主要集中在对象分类和分割上。 目前用于解决这些任务的一种流行模型是PointNet，它在一组点上训练了排列不变模型。 但是，一组点也可以视为图形。 在此项目中，我们将探索在3d点云分类上使用图谱神经网络（GNN）并将其性能与PointNet进行比较。 数据集：ModelNet40和ShapeNet 在这

通过动态图学习生成3D零件 这是NeurIPS实施2020纸通过创建“通过动态图形学习剖成3D零件组装” ， ，， ，，，和。 提出了动态图学习框架。迭代图神经网络主干将一组零件点云作为输入，并进行5次图形消息传递迭代，以进行从粗到精的零件装配优化。图形动力学被编码为两个折叠，（a）从零件姿态估计中推论零件关系（图形结构），这又从更新后的零件关系演变而来；以及（b）通过汇总所有节点关系来更新节点集。几何等效部分（红色和紫色节点）（例如两个椅子臂）合并为一个节点（黄色节点），以便在稀疏节点集上执行