本论文提出一种通用神经渲染方法 ——LIRF (Local Implicit Ray Function)，其通过聚合锥体视锥的信息来构建一条光线，接收连续的 3D 坐标和锥体视锥的特征作为输入，预测局部体积辐射场，从而能够以连续值的规模通过体渲染高质量的新视图。同时，使用基于变压器的特征匹配预测每个输入视图的可见权重，以提高在遮挡区域的性能，实验结果验证了我们的方法在未见过的场景的新视图渲染上优于现有技术。

Apr, 2023

提出了可微分的基于点的反渲染方法，该方法通过对在不同光照下捕获的图像进行分析合成，估计形状和空间变化的 BRDF。利用混合的基于点和基于体素的几何表示进行快速渲染，并通过正则化基函数的 BRDF 表示来缓解反渲染的无意义性。通过点阴影图渲染提出了一种高效的阴影检测方法。在计算准确性、计算效率和内存占用等方面，DPIR 优于之前的工作。同时，显式的基于点的表示和渲染使得几何和反射的编辑变得直观。

Dec, 2023

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

本文提出了一种新型的混合神经 SDF 表示方法 SPIDR，专门用于解决 NeRF 方法在渲染图像中难以显示物体形状、反射和光照等属性的问题，并结合阴影映射技术和神经隐式模型来更精准地进行几何编辑和场景照明更新。

Oct, 2022

在现代计算机视觉中，3D 形状的最佳表示仍然是任务依赖的。本文介绍了一种新颖的神经形状表示 —— 有向距离场（DDFs），以及使用 DDFs 在多个应用领域的应用，包括单形状拟合、生成建模和单图像 3D 重建。DDFs 具有高效的可微分渲染能力，并能从单个像素的前向传递中获得深度以及从额外的反向传递中提取微分几何量（如表面法线），展现出了简单架构组件的强大性能。

Apr, 2024

从部分和嘈杂的三维点云扫描中隐式三维表面重建是经典的几何处理和三维计算机视觉问题。本文提出了一种基于局部支持紧致径向基函数的线性隐式表面表示，并通过使用带标记距离场 (SDF) 数据进行监督学习，学习了物体的三维表面的线性隐式形状表示。所提出的方法在基准数据集上实现了更好的 Chamfer 距离和可比较的 F-score，并通过应用于三维形状完成任务展示了其有效性。

Feb, 2024

提出了一种可微球追踪算法，可以将隐式有符号距离函数的深度学习方法与逆向图形方法联系起来。该渲染方法可以高效地重建不同类型的 3D 形状，具有优秀的泛化能力和稳健性。

Nov, 2019

本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

Dec, 2019

我们提出了一种新的单阶段框架，神经光子场（NePF），用于解决多视图图像中的逆渲染问题。与以往的方法相反，我们质疑在多个阶段中恢复几何、材质和光照，并从不同的神经场中提取属性的复杂性，并介绍了一种单阶段框架，统一恢复所有属性。NePF 通过充分利用神经隐式表面权重函数和视角相关辐射的物理含义，实现了这种统一。此外，我们引入了一种创新的基于坐标的快速体积物理渲染照明模型。为了规范这个照明，我们实现了扩散估计的亚表面散射模型。我们在真实和合成数据集上评估了我们的方法。结果表明，我们的方法在恢复高保真几何和可视合理的材料属性方面具有优越性。

Nov, 2023

本文提出了一种名为 MDIF 的多分辨率深度隐式函数，该模型可以在进行 3D 重建时恢复精细的几何细节，并支持多种应用，其创新点在于可以同时表示不同细节级别并支持逐步编码，支持编码器 - 解码器推理、仅解码器潜在空间优化，并在形状完成任务下获得优于现有技术的性能表现。

Sep, 2021