通过学习可微分表面表示进行形状重建
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
该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。
Apr, 2019
本文介绍一种基于Deep Signed Distance Function的不可微分网格表述方法MeshSDF，通过推理隐式场的扰动如何影响局部表面几何，最终不限制分辨率和拓扑结构地将Deep Implicit Field显式地表示成一个可微分的网格形状，该方法在单视角重建和基于物理的形状优化方面优于现有技术。
Jun, 2020
本论文提出了一种新的神经体系结构来表示3D表面，通过引入一些创新的一致性损失来保证两个形状表示方式的协同处理，这种混合架构能够比单一表示网络产生更优的结果。
Jul, 2020
本文提出了一种基于patch的中层面向对象表示方法，将不同类别对象的相似性建模在patch级别，使模型更具有通用性，并且提出了一种新的在规范空间中学习patch表示的方法，该表示方法对物体的类别不敏感，在训练时只需要较少的数据集，在形状插值和局部点云完成等应用上也有良好的效果。
Aug, 2020
本文提出了一个基于可微分的Poisson曲面重建形式的可微分点到网格层，实现与另外两种不同类型表达（点和网格）之间的连接，达到更好的3D 重建效果, 比基于神经暗示表达的方法更精炼且推理时间加速了一个数量级。
Jun, 2021
本文提出了一种基于散度导向的形状表示学习方法，不需要输入法向量，并且引入了一种新颖的几何初始化方法，使得INR网络在表面重建和形状空间学习任务中取得了比当前最先进的朝向无关方法更好的性能。
Jun, 2021
该研究提出了一种利用插值与外推技术，通过有效计算几何特性和引入权重感知的隐式神经表示法，在有限的已知数据下重建具有优异定量和定性结果的表面，并能够处理非闭合表面的局部退化区域
Jun, 2023