本文介绍了用于从点云、三角面片或未定向网格直接学习形状的方法 ——SALD（基于符号不敏感学习的带导数隐式函数表示），该方法将导数与点云数据的无符号距离函数相结合，通过优化回归损失，得到一个带符号的高质量隐式函数解。作者在 ShapeNet 和 D-Faust 数据集上进行了实验证明了此方法的高效性和在有向网格和原始三维扫描方面的表现优异。
Jun, 2020
本研究提出一种使用无标记交叉熵损失的卷积占据网络进行表面重建的方法，以实现大规模场景的高级可扩展性、新型形状的一般性和原始扫描的适用性。实验结果表明，该方法对于未定向点云的表面重建具有优越的准确性。
May, 2021
该研究探讨一种新的基于点云的形状重建方法，利用隐式神经网络条件机制，并提出了一种应用梯度的元学习方法以从特征空间学习隐式神经签名距离函数。通过将输入点云作为支持上下文来训练解码器，该方法在隐式重建方面表现良好。
Jul, 2022
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。
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
本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。
Feb, 2020
本文介绍了 SIGNet，这是一个新的框架，可以提供强大的几何感知，而无需几何信息的标签，SIGNet 通过使用语义信息来使深度和流的预测与物体一致，并使其在低照条件下具有稳健性。SIGNet 在深度预测方面比最先进的无监督学习方法提高了 30％。
Dec, 2018
本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。
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
从部分和嘈杂的三维点云扫描中隐式三维表面重建是经典的几何处理和三维计算机视觉问题。本文提出了一种基于局部支持紧致径向基函数的线性隐式表面表示，并通过使用带标记距离场 (SDF) 数据进行监督学习，学习了物体的三维表面的线性隐式形状表示。所提出的方法在基准数据集上实现了更好的 Chamfer 距离和可比较的 F-score，并通过应用于三维形状完成任务展示了其有效性。
Feb, 2024