通过多任务学习，训练神经隐式表示以在重建、分类和语义分割任务上实现功能丰富的编码。

Jan, 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

本文提出了一种基于隐式场的解码器 IM-NET 来提高生成形状的视觉效果， 通过替换传统解码器，通过 IM-AE 进行表示学习和 IM-GAN 进行形状生成，可以在概念建模、插值和单角度 3D 重建等任务中获得更优秀的结果。

Dec, 2018

本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

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

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

本文提出了一种名为 GIFS 的新方法，通过模拟点之间的关系而不是点和表面之间的关系，以表示包括非水密形状和多层表面形状在内的一般形状，实验结果表明，在重建质量、渲染效率和视觉保真度方面，GIFS 的性能优于之前的最先进方法。

Apr, 2022

该研究提出了一种利用插值与外推技术，通过有效计算几何特性和引入权重感知的隐式神经表示法，在有限的已知数据下重建具有优异定量和定性结果的表面，并能够处理非闭合表面的局部退化区域

Jun, 2023

本文提出了一种新型的图形隐式函数族，其具有等变层，可用于捕捉 3D 几何细节并保证对各种几何变换的鲁棒性，该方法在 ShapeNet 重建任务上比现有的旋转等变隐式函数从 0.69 提高到 0.89 (IoU)，并且可以推广到其他类型的相似变换，并且具有良好的泛化能力。

Mar, 2022