提出了使用可微分渲染 3D 形状来进行基于图像的形状优化的 SDFDiff 方法，并将其应用于多视图 3D 重建问题，并采用多分辨率策略获得了稳健的优化算法。同时，还可将其与深度学习模型集成，实现无需 3D 监督学习 3D 对象的学习方法，并在单视图 3D 重建方面取得了最先进的结果。

Dec, 2019

我们提出了一种简单的算法，用于可微性渲染被有符号距离场（SDF）表示的表面，从而使渲染能够容易地融入基于梯度的优化流程中，并通过容忍非零偏差以换取低方差和架构简化的方式来解决与可见性相关的导数问题。我们的方法将边界积分扩展为一个窄带，这在基于 SDF 表示下的表面上采样起来很容易。我们在端到端逆向渲染任务中展示了我们方法的性能和稳健性，并获得与现有工作相竞争或优越的结果。

May, 2024

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

该论文提出了一种稳健且隐形的水印方法 (FuncMark)，通过利用表面变形在有符号距离场 (SDF) 中嵌入二进制水印消息，以保护有符号距离场的版权，即使在稀疏的顶点样本下，也可以从高分辨率的 SDF 提取的网格中恢复水印消息，并且即使遇到各种畸变（包括重新网格化），我们的方法仍然具有鲁棒性。大量实验表明，我们的工具显著优于最先进的方法，即使只给出 50 个顶点样本，水印仍然可检测到。

Nov, 2023

本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架，使用有符号距离场和表面光场直接表示场景几何及外观，并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性，实验结果表明相较于现有最优方法，本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。

Aug, 2021

梯度优化网格、等值面表示、FlexiCubes、几何保真度、网格质量为主要关键词的研究论文的摘要。

Aug, 2023

提出一种能够支持显式和隐式表示，可在遮挡边界提供导数的 3D 表面的可微渲染方法，使用非可微光栅化对表面进行采样，然后应用可微的深度感知的点喷洒技术生成最终图像，适用于大型 3D 模型和隐式表面定义提取的等值面的应用。

Aug, 2021

本文介绍了一种新的 3D 形状表示方法，名为 Mosaic-SDF（M-SDF），它通过使用一组分布在形状边界附近的局部网格来近似给定形状的有符号距离函数（SDF）。M-SDF 表示具有高效计算、参数效率和与基于 Transformer 的架构兼容等优点，在 3D 生成流模型的训练中展示了其有效性。

Dec, 2023

本文介绍了一种扩展 Marching Cubes 算法的方法，能够快速而准确地将 Unsigned Distance Fields 表示的非封闭曲面转换为显式网格，并且采用的表面提取方法是可微分的，适用于稀疏数据的训练。

Nov, 2021

通过神经隐式表面表示，即信号距离函数（SDF），提出了 ClusteringSDF 方法，实现了 3D 中的分割和重建。这项研究通过高效的聚类机制将 2D 标签提升到 3D，并在 ScanNet 和 Replica 数据集上的挑战性场景中取得了与现有技术相竞争的表现，而且训练时间大大缩短。

Mar, 2024