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

Hybrid-CSR 是一种几何深度学习模型，它结合了显式和隐式形状表示，用于皮质表面重建。该方法统一了显式和隐式皮质表面重建，通过优化改进的网格变形模块进行端到端训练，以捕捉详细结构并解决拓扑缺陷，以达到更准确、规则和一致的数字测量结果。

Jul, 2023

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

我们提出了一种新的混合隐式表面表示方法来建模人体形状，该表示方法由两个表面层组成，用于表示穿着衣物的人体的不同区域，我们使用视觉线索自动分割不同区域，并学习重建两个有符号距离函数，我们在不透明区域上执行基于表面的渲染以保留高保真度的表面法线，并在半透明区域上执行体积渲染（例如头发），实验证明我们的方法在 3D 人体重建上取得了最先进的成果，并在其他物体上展示了有竞争力的表现。

Dec, 2023

本研究提出了一种最小神经图形集合，用于表达任意拓扑的表面，同时保证了重构准确度和模型效率，并在计算机视觉、图形学和机器人等领域有广泛应用。

Jul, 2022

本文提出了一种用于改进神经隐函数 3D 表示中采样和正则化的混合模型，利用 iso-points 作为神经隐函数的显式表示，使训练时能够实时计算并更新采样点，以捕获重要的几何特征和优化几何约束，提高重建质量和拓扑准确性。实验结果表明，相比现有方法，该方法可以更快地收敛、更好地泛化、更准确地恢复细节和拓扑结构。

Dec, 2020

本论文中，我们提出了基于约束隐式代数曲面和深度神经网络的方法，以实现对高复杂度 3D 形状的更准确重建和分割，相较于现有单 RGB 图像 3D 形状重建技术，该方法表现出更强的表现力和性能，可无监督地进行学习。

Aug, 2021

本研究提出了一种隐式表示法，以捕捉物体表面在光场中的视觉外观，并证明了该方法能够在使用单个真实 RGB 图像和对应的三维形状信息时预测未见过的物体的视觉外观。该方法建立了一个连续的表面光场表示，独立于几何形状，并且在特定照明条件下可嵌入到可变自编码器中进行生成新的外观的任务中。

Mar, 2020

该论文提出了一种新的框架 ObjectSDF 来构建具有高保真度的对象组合神经隐式表示，它结合了各个对象的有符号距离函数（SDF），并将语义信息转换为对象 SDF 的函数，以及开发了统一且紧凑的场景和对象表示。实验结果表明该框架在表示整体物体组合场景和单个实例方面具有卓越的优势。

Jul, 2022

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。

Feb, 2020