TL;DR本研究提出使用 Taylor 级数的 TaylorImNet 模型来拟合连续隐式函数，该模型可以在不牺牲高分辨率的情况下提高 3D 形状生成的速度和精度。
Abstract
Benefiting from the contiguous representation ability, deep implicit
functions can extract the iso-surface of a shape at arbitrary resolution.
However, utilizing the neural network with a large number of parameters as the
implicit function prevents the generation speed of high-resoluti
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。