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

本研究利用深度神经网络的可微分性，防止曲面崩溃和强烈减少曲面重叠，在表面重构方面显著超过现有技术。

Nov, 2019

本文介绍一种基于Deep Signed Distance Function的不可微分网格表述方法MeshSDF，通过推理隐式场的扰动如何影响局部表面几何，最终不限制分辨率和拓扑结构地将Deep Implicit Field显式地表示成一个可微分的网格形状，该方法在单视角重建和基于物理的形状优化方面优于现有技术。

Jun, 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

本文提出了一种基于散度导向的形状表示学习方法，不需要输入法向量，并且引入了一种新颖的几何初始化方法，使得INR网络在表面重建和形状空间学习任务中取得了比当前最先进的朝向无关方法更好的性能。

Jun, 2021

PoissonNet是一种用于从点云中恢复三维形状的架构，通过利用Fourier神经算子(FNOs)来解决Poisson方程并从定向点云测量中重建网格，其具有效率高、重建质量较好、运行时间短以及分辨率灵活等优势，并通过数值结果的理论定理证明Poisson表面重建问题在极限情况下是明确的。

Aug, 2023

通过快速查询网格和使用树结构加速到表面的距离计算，我们提出了GridPull来从大规模点云中改善学习隐式表示的效率。

Aug, 2023

基于神经隐式表示的重建方法通过使神经函数具备有符号距离函数的特性，结合拟合正则化项，可以从点云中重建出粗糙但贴合度较高的表面，同时有效抑制幽灵几何并从未定向的点云中恢复细节。

Sep, 2023

通过对无组织点云进行局部偏微分方程监督以及差分矢量场的基本属性，本文提出了一种具有鲁棒性、高质量的曲面重建方法，采用了隐式神经表示技术，并通过学习 $p$-Poisson 方程得到符号距离函数 (SDF)，从而隐式表示重建曲面。实验结果表明，所提方法在标准基准数据集上能提供更好的鲁棒性和重建效果。

Oct, 2023

使用基于能量的模型优化隐式神经表示的三维点云连续曲面重建，进一步确认该方法在噪声点云下更加鲁棒。

Nov, 2023