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

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

利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。

Mar, 2017

我们提出了一种新的混合隐式表面表示方法来建模人体形状，该表示方法由两个表面层组成，用于表示穿着衣物的人体的不同区域，我们使用视觉线索自动分割不同区域，并学习重建两个有符号距离函数，我们在不透明区域上执行基于表面的渲染以保留高保真度的表面法线，并在半透明区域上执行体积渲染（例如头发），实验证明我们的方法在 3D 人体重建上取得了最先进的成果，并在其他物体上展示了有竞争力的表现。

Dec, 2023

本研究提出一种通用重建算法（GenRe），利用深度和轮廓等 2.5D 表示方法和球形和体素表示方法，旨在捕捉更通用，不受特定类别约束的形状先验知识，实验结果表明该算法可以很好地解决从单张图像还原 3D 形状，并且能够泛化到未在训练中见过的多种不同类别的新物体。

Dec, 2018

本文从不同的表示角度综述了深度学习在三维几何中的最新发展，并总结了不同表示方法在不同应用中的优缺点，同时提出了进一步的研究方向。

Feb, 2020

该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

Apr, 2019

通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

Jun, 2024

本研究介绍了一种新的三维基元表示方法 Neural Parts，该方法使用可逆神经网络定义基元，并通过学习将三维对象解析为语义一致的部件排列，有效地抽象了三维形状并实现了精确的重建。

Mar, 2021

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