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

本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

Nov, 2019

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

本文提出了一个基于无符号距离嵌入的 disentangled 隐式 3D 形状表示方法 DUDE，使用带符号距离场和法向量场来表示表面与接近度和表面方向，可以用于高保真度的任意开放/封闭形状的表示和训练，无需完全贴合的网格。通过实验验证，DUDE 相较于之前的 DeepSDF 方法在渲染效果上有明显的提升。

Nov, 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

本文介绍了一种扩展 Marching Cubes 算法的方法，能够快速而准确地将 Unsigned Distance Fields 表示的非封闭曲面转换为显式网格，并且采用的表面提取方法是可微分的，适用于稀疏数据的训练。

Nov, 2021

本文介绍了一种新的可学习的内隐表示方法称为三极符号距离函数（3PSDF），可以表示任意拓扑的非水密3D形状并使用经典的Marching Cubes算法进行易于场-网格转换。该方法引入了新符号NULL符号，支持处理开放的几何体表面。实验结果表明，该方法在定量和定性评估中都胜过以前的最先进方法。

May, 2022

本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的UDF的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。

Oct, 2022

利用局部形状函数学习无符号距离场（UDF）的神经框架 LoSF-UDF，从3D点云重建表面，无需针对具体形状进行训练，并且对于点云中的噪声和异常值表现出增强的鲁棒性。

Jul, 2024

我们提出了一种新的非线性隐式滤波器，用于对点云数据进行平滑处理并保留高频几何细节，实验证明我们的方法在对象和场景点云表面重建方面改进了现有技术。

Jul, 2024