本研究提出了一种基于局部几何代码学习的模型，通过使用图神经网络将单个可传递的潜层代码拆分成分布在 3D 形状上的一组局部潜层代码，从而改进了原始 DeepSDF 结果，并且在 3D 形状重建方面的实验中，该方法能够保留更多的细节，同时在最重要的定量指标下明显优于原始 DeepSDF 方法。

Aug, 2021

介绍了 DeepSDF 方法，它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数（SDF）的表示，将 3D 几何表示为体积场，并可表示整个形状类。DeepSDF 方法相比以往方法降低了一个数量级的模型大小，同时获得了学习 3D 形状表示和完成方面的最先进性能。

Jan, 2019

本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

Dec, 2019

本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

Jan, 2021

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

本文设计了一个形状课程用于学习连续有符号距离函数（SDF）的形状，由简单到复杂地扩展其难度，帮助提升三维形状重建的质量和训练效果。

Mar, 2020

本文提出了一种新的三维形状表示 —— 本地隐式网格表征，它适用于大型、多样化的室内场景，利用 autoencoder 学习局部数据的嵌入，再使用解码器实现形状优化，提高了基于稀疏点观测的三维表面重建结果。

Mar, 2020

本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。

Sep, 2017

从嘈杂和稀疏的部分点云中重建 3D 汽车对于自动驾驶非常重要。我们提出了一种名为 MV-DeepSDF 的新框架，通过估计多次扫描点云中的最优符号距离函数（SDF）形状表示来重建野外汽车。通过在潜在特征空间中分析多次扫描的一致性和互补性，并将隐式空间形状估计问题转化为元素到集合特征提取问题，我们首次探讨了多次扫描的重建。通过设计一种新的架构来提取单个元素级表示并将它们聚合生成集合级的预测潜在代码，得到隐式空间中最优 3D 形状的表达，并可以随后解码为连续的 SDF 汽车。通过对两个实际自动驾驶数据集（Waymo 和 KITTI）进行彻底实验，我们展示了我们的方法在质量和量化方面优于现有的替代方法。

Aug, 2023

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