本文介绍一种利用神经网络编码局部上下文先验 (surface reconstruction from point clouds) 的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。

Apr, 2022

本文提出了一种基于神经网络的方法，可以直接从单个稀疏点云中推断有符号距离函数（SDF），构建了表面参数化和 SDF 推断的端到端方法，通过利用参数化表面作为粗略表面采样器，以统计方式推断 SDF，并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。

Mar, 2023

利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。

Dec, 2023

通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

Apr, 2024

本文介绍了一种新的方法 Neural-Pull，利用神经网络简单且高质量地学习表面的符号距离函数，通过网络本身计算的符号距离值和查询位置的梯度来训练神经网络。在广泛使用的基准测试下，我们的结果优于现有最先进的方法，展示了对表面重建和单张图像重建可以更准确和灵活地学习符号距离函数。

Nov, 2020

使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

Nov, 2018

通过直接预测采样的点对之间线段与隐式表面的交点，本文提出了一种新的方法，既能够有效地表示开放表面，又能够消除网格中的伪影。在 ShapeNet、MGN 和 ScanNet 三个数据集上，我们的方法展示了最先进的性能。

Mar, 2024

本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。

May, 2023

通过将神经有向距离场（SDF）与三维高斯光斑（3DGS）相结合，我们提出了一个统一的优化框架，用于在室内场景中进行高质量的重建和实时速度的渲染。

May, 2024

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