ManifoldPlus 是一种用于将三角网转换为无漏洞流形的可靠且可扩展的方法，它采用了一种基于投影的优化方法来精确地恢复类似于参考网格的无漏洞流形，并以 ModelNet10 和 AccuCity 数据集为例来验证其性能。

May, 2020

本文介绍了一种从多视角输入图像生成高质量的水密流形网格的方法，该方法将神经体分布的几何初始化与可微分光栅化器进一步优化的不同优点结合起来，证明了该方法可以最大程度地准确重建网格并与现有的图形管道兼容，实现了类似模拟的 3D 应用。

May, 2023

本文提出了一种从图像中自动进行三维重建的递增式初始化流形表面的新方法，通过结构从运动提取三维点，迭代执行现有流形重建步骤和新的网格扫描算法，以改进流形重建的分辨率和精度，从而提高多视图立体技术的收敛效果。

Apr, 2016

提出了基于神经元流形流 (Neural Mesh Flow) 的方法来生成具有二次曲面流形的三维网格模型，具有较高的几何精度和更好的适用性于基于物理的渲染和模拟。

Jul, 2020

本文提出了一种从点云中重建三角网格的方法，利用 2D Delaunay 三角剖分来构造曲面元素，同步局部 2D 投影的重建，从而实现了比现有方法更好的曲面重建效果。

Dec, 2020

提出了可微分的表面三角形网格化算法，基于加权德劳内三角形的软松弛，并通过优化顶点和边界约束来拟合目标曲面，成功地解决了现有网格处理和优化技术在连续体上的局限性。

Sep, 2021

创建逼真的虚拟世界需要对广泛对象的三维表面几何进行准确建模，我们提出了一种名为 G-Shell 的新表示方法，通过定义一个流形符号距离场在完全密封的模板上对开放表面进行参数化，实现了多视图图像重建和非完全密封网格的生成建模。

Oct, 2023

使用 VoroMesh 作为一种基于 Voronoi 的表示方法，可以有效地生成学习用途的三维形状表面，并且在几何效率和闭合输出方面优于传统的基于网格的算法和最新的基于学习的网格表示方法。

Aug, 2023

本文提出了一种名为神经体维网格生成器的神经网络模型，可以从随机噪声或参考图像中生成高质量的三维网格结构，并且通过比较实验，证明了这种方法在使用体素作为输入时相对于其他最先进的方法更具有稳健性，并且拥有更好的性能。

Oct, 2022

本文提出了一种简便的多视角图像观察下拓扑、材料和照明的联合优化方法，通过不同 iable rendering、基于坐标的网络紧凑地表示体积纹理，并在表面网格上直接进行梯度优化，最后介绍了一种环境光的差异化公式，证明了我们的模型可以用于场景编辑、材料分解和高质量视图插值，在三角形渲染器（光栅化器和路径跟踪器）中以交互速率运行。

Nov, 2021