本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

Nov, 2019

本文提出了一种基于 Deep Implicit Templates 的新型三维形状表示方法，支持在深度隐式表示中进行显式的对应关系推理，并使用 Spatial Warping LSTM 解决推理过程中的空间变换问题，同时采用特殊的训练损失函数实现了无监督学习。实验证明，该方法不仅能够学习一个共同的隐式模板，还能够在不需要监督信号的情况下，对所有形状进行精确的无缝对应。

Nov, 2020

本文旨在以无监督的方式学习拓扑变异物体的密集三维形状对应关系，引入了一种新的隐式函数，该函数为每个三维点生成一个部分嵌入向量，实现对点的密集对应，通过面向部分的逆函数将部分嵌入向量映射到对应的三维点上，结合几个有效的损失函数进行联合学习。在推断期间，用户选择源形状上的任意点时，算法可以自动生成相应点的置信度分数和语义点，有效提升人造物体的形状分割及无监督三维语义对应。

Oct, 2020

本文提出了一种名为 GIFS 的新方法，通过模拟点之间的关系而不是点和表面之间的关系，以表示包括非水密形状和多层表面形状在内的一般形状，实验结果表明，在重建质量、渲染效率和视觉保真度方面，GIFS 的性能优于之前的最先进方法。

Apr, 2022

本论文中，我们提出了基于约束隐式代数曲面和深度神经网络的方法，以实现对高复杂度 3D 形状的更准确重建和分割，相较于现有单 RGB 图像 3D 形状重建技术，该方法表现出更强的表现力和性能，可无监督地进行学习。

Aug, 2021

本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

Mar, 2020

该研究提出了一种新的方法，通过学习 3D 物体形状来改进现有的低样本学习方法，并在多个数据集上证明了其有效性，同时介绍了最大种类数量的 3D 对象数据集 Toys4K。

Jan, 2021

提出一种利用三维成体基元组装物品的学习框架，可以生成简单且几何可解释的三维物品解释，利用该方法可以获得形状表征形式、构建可解释的形状相似性测量，以及进行基于图像的预测和形状操作。

Dec, 2016

该论文讨论了神经隐式形状表示的基本概念，比传统的离散表示具有更好的记忆效率和更高的空间分辨率，并提出了一种基于梯度的元学习算法以提高形状空间的泛化能力，从而实现从部分或噪声观测数据中进行的几何重建。该方法在测试时间推断上比自动编码器的方法快一个数量级，同时超过基于编码器 - 解码器的池化网络集合编码器方法。

Jun, 2020

通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。

Jan, 2019