关于使用权重编码的神经式隐式三维形状的有效性研究
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
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
本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。
Oct, 2020
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
本文提出了一种新的隐式表示方法，称为最接近的表面点（CSP）表示，用于表示具有任何拓扑结构的开放或封闭形状并计算本地几何属性，可以实现高保真度和有效实现外围算法，如球追踪来呈现三维表面和创建显式基于网格的表示，并在ShapeNet数据集上验证了超越最先进结果的贡献。
Jun, 2021
本文探讨一种新方法--变形感知正则化--以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。
Aug, 2021
本研究针对现有隐式神经表示模型仅支持单一细节层次的局限，提出了一种新的形状建模方法，能够实现多层次细节且确保每层的光滑表面。通过引入一种新颖的潜在调节机制，在多尺度和带宽限制的神经架构下，显著提高了隐式场景渲染的效率，其精度在细节层次上可媲美当前最佳的单细节模型。
Sep, 2024
本研究解决了隐式神经表示在保留高频细节和计算成本上的限制。通过整合周期性激活函数、位置编码和法线信息，提出了一种新方法，大幅提升了模型学习3D形状的能力，同时保持复杂细节与锐利特征。这一发现为3D几何重建提供了更高效的解决方案。
Oct, 2024