我们提出了 LoD-NeuS，一种用于高频几何细节恢复和抗锯齿新视图渲染的高效神经表示。我们借鉴了具有细节级别的基于体素的表示，引入了一种多尺度三平面场景表示方法，能够捕捉有符号距离函数和空间辐射的细节级别。我们的表示通过沿射线在锥体锥内进行多次卷积特征化来聚合空间特征，并通过可微分渲染优化细节级别特征体积。此外，我们提出了一种误差引导的采样策略，在优化过程中引导有符号距离函数的增长。定性和定量评估表明，与最先进的方法相比，我们的方法在表面重建和逼真视图合成方面取得了优越的效果。

Sep, 2023

该论文旨在提高神经体积渲染中几何表示和重建的质量，通过将体积密度定义为拉普拉斯累积分布函数作为有符号距离函数的表示，实现了形状和外观的有效无监督解缠，并在具有多视图的数据集中获得了高质量的几何重建结果。

Jun, 2021

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

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

该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

May, 2022

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

利用 Deep Local Shapes 技术实现高质量 3D 形状的编码与重建，将场景分解成局部形状以降低模型的复杂度和提高推导效率。

Mar, 2020

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

我们介绍了一种新颖的基于神经隐式表示法的多帧结构光设置深度估计技术。通过自我监督的可微分渲染训练神经符号距离场（SDF）。与被动视觉不同，我们利用结构光系统中通过投影模式已知的辐射场，实现几何场的独立优化，确保固定设备定位下的收敛性和网络有效性。为了提高几何保真度，我们在训练过程中引入了基于物体表面的额外颜色损失。实际实验表明，我们的方法在少样本情景下在几何性能上具有优越性，并且在增加模式可用性的情况下实现了可比较的结果。

May, 2024

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