该论文讨论了神经隐式形状表示的基本概念，比传统的离散表示具有更好的记忆效率和更高的空间分辨率，并提出了一种基于梯度的元学习算法以提高形状空间的泛化能力，从而实现从部分或噪声观测数据中进行的几何重建。该方法在测试时间推断上比自动编码器的方法快一个数量级，同时超过基于编码器 - 解码器的池化网络集合编码器方法。

Jun, 2020

使用神经网络进行神经形状表示，通过单次前向传递嵌入 3D 形状，无需明确的先验知识，有效地计算边界值 Eikonal 方程的近似解并展示了广泛的应用领域。

Oct, 2023

本文提出了一种上下文感知的双曲度量学习方法，可用于 few-shot learning 任务，并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性，而且表现优于基线模型。

Dec, 2021

本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。

Feb, 2020

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

本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

Mar, 2020

本文研究了使用神经代表距离函数（SDF）进行三维对象表示学习的泛化能力，提出了一个半监督元学习方法，可将形状先验从有标签的数据传输到无标签的数据中，用于重建未知的对象类别，并实现了 100 多个未见过的类别的强大的零 - shot 推理。

Jun, 2022

本文提出了一种在潜在空间中将 few-shot 分类问题重新表述为重建问题的方法。通过从给定类别的支持特征到查询特征的直接回归，无需引入新的模块或大规模可学习参数，我们引入了一种新的机制进行 Few-shot 分类，该机制被称为特征映射重建网络，它比以前的方法更有效和更高效。我们在四种细粒度基准测试和两种非细粒度基准测试上验证了这个方法的一致和显著的准确性增益。

Dec, 2020

本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。

Feb, 2020

本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

Apr, 2020