本文介绍了一种基于神经网络的方法来从单张图片中估计物体的 3D 形状和外观，将其分解成形状和外观两个隐变量，通过优化这两个变量和网络参数，可以精准地还原输入物体，并能够处理训练领域之外的真实图像。

Feb, 2021

本文研究了连续三维形状表示的问题，提出了一种名为 RayDF 的新框架，包括简单的光线 - 表面距离场、新颖的双光线可见性分类器和多视图一致性优化模块，通过在三个公共数据集上的广泛评估，证明了该方法在合成和真实的三维场景中对三维表面点重建的显著性能，超越了现有的基于坐标和基于光线的基准，特别地，在渲染 800x800 深度图像时，与基于坐标的方法相比，我们的方法速度提高了 1000 倍，展示了其在三维形状表示中的优越性。

Oct, 2023

通过学习性的掩码策略和向量量化，我们减少了高斯点的数量和占用的存储空间，实现了高性能、快速训练、紧凑且实时的渲染，提供了一个全面的三维场景表示框架。

Nov, 2023

我们提出了一种新颖的方法，通过利用神经辐射场（NeRFs）从二维监督中进行三维语义分割，通过提取表面点云上的特征，实现了场景的紧凑表示，这种表示对于三维推理而言具有高效的采样并且适于少样本分割。我们的方法不依赖于场景参数化，可以适用于任何类型的 NeRF 场景。

Oct, 2023

本文介绍了一种新的 3D 形状表示方法，名为 Mosaic-SDF（M-SDF），它通过使用一组分布在形状边界附近的局部网格来近似给定形状的有符号距离函数（SDF）。M-SDF 表示具有高效计算、参数效率和与基于 Transformer 的架构兼容等优点，在 3D 生成流模型的训练中展示了其有效性。

Dec, 2023

本文提出了一种基于锚定径向观察 (ARO) 的新型形状编码，通过固定集锚定视点和利用基于注意力机制的深度神经网络来预测三维空间中查询点的包含值，实现了对三维形状的学习和隐式表示。模型在短点云的表面重建和各种物体的比较测试中表现出了可靠性和泛化性，是当前重建和三角剖分领域的最优方法之一。

Dec, 2022

利用 Deep Local Shapes 技术实现高质量 3D 形状的编码与重建，将场景分解成局部形状以降低模型的复杂度和提高推导效率。

Mar, 2020

本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

Jan, 2021

NeSF 是一种从 RGB 图像中生成 3D 语义场的方法，它利用了隐式神经场表示法，根据点积函数捕捉 3D 结构，能够在任意 3D 点上查询，并且生成可以与真实场景相对应的 3D 一致的语义图谱，是第一种只需要 2D 监督进行训练的真正密集的 3D 场景分割方法。

Nov, 2021

本文介绍了一种新的神经场景表示方法 NSVF，它定义了一组体素界限的隐式场，通过稀疏体素八叉树组织，从一组姿态的 RGB 图像中逐步学习底层体素结构，并通过跳过不包含任何相关场景内容的体素来加速渲染新视角，可轻松应用于场景编辑和场景组合。

Jul, 2020