通过神经网络对显式动态网格进行编码的混合表示方法 Dynamic Tetrahedra (DynTet) 提供了一种有效的几何一致性，解决了在准确建模复杂面部变形方面缺乏显式几何约束的困境。与以往的工作相比，DynTet 在保真度、口型同步和实时性能等多个指标上表现出了显著的改进，同时还能输出动态网格并有很多新兴应用的潜力。

Feb, 2024

介绍了一种深度三维条件生成模型 DMTet，它能够使用简单的用户指南（如粗略体素）合成高分辨率的三维形状。它将隐式和显式三维表示的优点结合起来，利用一种新颖的混合三维表示，并在表面网格上明确定义重建和对抗性损失，使我们能够综合更精细的几何细节，具有任意拓扑。

Nov, 2021

本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建 3D 形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在 3D 语义分割中的应用。

Mar, 2018

本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

Nov, 2017

本文提出了一种新的基于学习的网络 DeepDT，用于从点云的 Delaunay 三角化重建物面。它通过多标签监督策略实现结构正则化，并能够在保持丰富几何细节的同时生成不过于复杂的表面，尤其是对于开放场景的内部表面。实验证明 DeepDT 具有较高的性能和泛化能力，并且在时间消耗方面与最先进的方法相当竞争力。

Jan, 2021

该研究提出了一种基于 TetraTSDF 和 PCN 的人体建模方法，通过卷积神经网络和三维人体先验知识，可以从单张图像中重建穿着宽松衣服的真实 3D 人体模型。

Apr, 2020

本文提出了一种基于可变四面体网格的扩散模型，用于生成具有细粒度几何细节的 3D 网格，以适用于自动场景生成和物理模拟等各种应用。

Mar, 2023

我们提出了 TetSphere 喷洒，一种用于重建高质量几何形状的显式的拉格朗日表示。与传统的物体重建方法不同，它主要使用欧拉表示，包括神经隐式方法（如 NeRF，NeuS）和显式表示方法（如 DMTet），通常在高计算需求和低优化网格质量方面存在问题。 TetSphere 喷洒利用了一个被低估但非常有效的几何原语 - 四面体网格。通过可微渲染和几何能量优化的组合，它将多个初始四面体球体变形以准确重建 3D 形状，从而实现了显著的计算效率。作为一种强大而灵活的几何表示方法，Tet-Sphere 喷洒无缝地集成到各种应用中，包括基于单视角的 3D 重建和图像 / 文本到 3D 内容的生成。实验结果表明，TetSphere 喷洒优于现有的表示方法，具有更快的优化速度，增强的网格质量和可靠的薄结构保留。

May, 2024

一种基于学习的视可见性面重建方法，使用 3D Delaunay 四面体化及基于图神经网络的分类方法识别点云中缺陷区域并生成表面模型的能量模型，以局部几何和视线可见性信息学习能见度模型，结合深度学习和能量模型的优点，优于当前公开的基于学习和非学习的表面重建算法。

Jul, 2021

本文提出了一种通过近似合成分析的方法来训练神经网络，利用可变形网格模型来优化图像与三维模型之间的关系，从而实现对数据的稳健泛化，本方法在测试集中表现良好，尤其在数据分布不均时表现更优。

May, 2023