GRUFFの結果は直感的に魅力的であり、なぜならそれらは、これらの同じ形状の機能性のための、人間解釈に密接に対応するからである。GRUFFの評価から、３D形状の大きなデータベースが構築された。これらの形状は、多面体境界線表現として明示される。それぞれの形状のために、我々は、プリミティブ評価測定値のために手作られた関数でありGRUFFによって計算されるような、異なる物体カテゴリーの形状のメンバーシップのための評価測定値を知っている。ビジョン研究者への実用的で重要性のある質問は、システムデザイナーに手作りされた結果と、機械学習テクニックがシステムパラメータの等しいセットを得ることができるかどうかである。もしそうであるならば、システム構築の手動の結果が、とても容易になる可能性がある。図６．１４は、５２の椅子物体を示す。
いくつかの椅子オブジェクトは、一つ以上のカテゴリーに属するか、一つの方向性以上で椅子のように機能できる。それで、５２の形状は１０７トレーニング例の合計を与える。これらは次の方法で起こる。カテゴリー「通常の椅子」のための７８のラベル付けされた例がある。５２の形状のグループが、椅子機能を有するラベル付けされた一つ以上の方向を持っている。これらの例のいくつかがさらに背もたれがまっすぐな椅子の機能を満たし、そして肘かけ椅子の機能を満たす４つの例がある。それは、この物体のセットとここで使われたトレーニング例のセットは作られたそれらのGRUFFの結果である。