该研究提出了一种基于深度学习的几何建模技术 CSGNe，旨在将 2D 或 3D 形状转化为构建程序以生成一个简单的，可解释性的生成模型，并通过 policy gradient technique 实现对无程序标注的数据集的训练。

Dec, 2019

提出了一种新的双分支结构 GSDF，它将 3D 高斯喷洒（3DGS）表示法的灵活和高效与神经符号距离场（SDF）相结合，通过相互指导和联合监督来缓解它们的局限性，并在各种场景上展示了我们的设计能够更准确、更详细地重建表面，并同时使 3DGS 渲染受益于与底层几何更加一致的结构。

Mar, 2024

该论文介绍了一种名为 CSG-Stump Net 的无监督端到端网络，利用点云学习形状并发现基元建模和操作。 该方法采用三层结构和简单的结构使其适合神经网络，相比基于 CSG 的方法取得了更好的结果。

Aug, 2021

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

本文利用手的结构作为 SDF 的引导，并预测姿势变换的运动链，对高关节手姿势对齐 SDF 进行了改进，最终在 ObMan 和 DexYCB 基准测试中取得了比现有技术更显著的改进。

Apr, 2023

提出神经架构，输入 2D 或 3D 形状并输出生成形状的程序。程序基于构造实体几何原理，采用循环神经网络以一种自下而上的方式解析输入形状，显著提高了速度和精确性，使用强化学习技术进行训练。

Dec, 2017

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

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

通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

Apr, 2024

本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。

Oct, 2022