本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

Mar, 2020

本论文介绍了一个能够处理几何和属性组件的点云压缩框架，利用两个基于坐标的神经网络来隐式表示体素化的点云，通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明，与最新的 G-PCC 标准中采用的八叉树方法相比，我们提出的方法具有更优越的性能，并且与现有的基于学习的技术相比具有高度的普适性。

May, 2024

本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

Dec, 2018

该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架，通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。

Jul, 2022

本文提出了一种利用二阶优化方法显著减少坐标网络训练时间并维护其可压缩性的解决方案，并在各种信号模态（如音频、图像、视频、形状重构和神经辐射场）上证明了其有效性。

May, 2023

学习神经隐式表示的研究取得了巨大的进展，该研究介绍了使用量化的坐标来减少优化过程中的不确定性和歧义，通过体渲染使用离散坐标和其位置编码来学习隐式函数，从而在多个视图的光线交汇点上触发更多的多视点一致性约束，提高了推断隐式函数的效率。

Aug, 2023

提出了一种自适应八叉树卷积神经网络（Adaptive O-CNN），用于高效的三维形状编码和解码，通过不同于体素或八叉树方法以相同分辨率表示三维形状的方式，Adaptive O-CNN 在不同级别使用八分之一的八叉树表示，并在每个八叉树的八分之一上用平面路径表示三维形状，在减少内存和计算成本的同时提供了比现有的 3D-CNN 方法更好的形状生成能力。

Sep, 2018

我们提出了一种利用坐标网络和多分辨率哈希编码对体积数据进行压缩和表示的高效方法，通过学习空间坐标和强度值之间的映射，实现有效的压缩，比较了不同编码方案，并展示了多分辨率哈希编码在压缩质量和训练效率方面的优越性，同时借助优化型元学习，特别是使用 Reptile 算法，学习适用于体积数据的神经表示的权重初始化，从而在优化过程中实现更快的收敛，此外，我们与最先进的方法进行比较，展示了改进的图像质量和压缩比，这些发现突显了利用基于坐标的网络和多分辨率哈希编码进行高效准确的体积数据表示的潜力，为大规模数据可视化和其他应用的进展铺平了道路。

Jan, 2024

通过神经网络将几何结构编码到权重和偏置中，通过映射网络重构对象，可在 7000 参数的情况下达到与百万参数状态下的最新型物体解码器架构同等甚至更高的精度。

Jul, 2019

通过引入具有解析傅里叶光谱的频限坐标网络（BACON）构架，该研究论文成功演示了用于多尺度神经表示图像、辐射场和三维场景的 BACON 网络在可解释性和质量方面优于传统的单尺度坐标网络。

Dec, 2021