AutoRF 是一种学习神经 3D 物体表示的新方法，它通过单个视角观察训练集中的每个对象，提出了一种标准化的、以对象为中心的表示方法，该方法描述并区分了形状、外观和姿态，并在单个输出中解码为新的目标视图，从而实现了新颖的视图合成，进一步通过优化形状和外观的编码，在测试时将表示紧密拟合到输入图像，实验表明该方法能够很好地适应不同数据集和挑战性现实场景下的未见过的对象。

Apr, 2022

本研究提出了 Representation-Agnostic Shape Fields (RASF)，是一种通用且计算效率高的 3D 深度学习形状嵌入模块，通过坐标索引检索各种 3D 形状表示（点云、网格和体素）的形状嵌入，提供了两种 RASF 预训练的有效方法：形状重建和法线估计。

Mar, 2022

本文介绍了一种名为 AIR-Nets 的注意力隐式表示网络，用于从点云中重建 3D 形状。通过利用局部和模块化表示 3D 形状，AIR-Nets 将输入点云编码为一组锚定在 3D 空间中的局部潜在向量，并具有全局潜在描述，以实现全局一致性。该模型是第一个基于编码器的无棱柿函数的局部描述方法。经验证明，该模型在 ShapeNet 数据集上显着优于以前的最先进的编码器 - 隐式形状学习方法，并在稀疏设置中表现优异。此外，该模型还具有简单运行机制与稀疏潜在表示形式，未来有多种激动人心的研究方向。

Oct, 2021

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

无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为 TARS，在多个数据集中均取得了最先进的重构精度 (ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。

May, 2022

提出一种新的混合隐式 - 显式网络架构和训练策略，采用多尺度块坐标分解，并在训练期间自适应分配资源，以适应信号的本地复杂性，可成功将吉卜赛像素图像提高至接近 40dB 峰值信噪比，以及比以前技术更快，更好地表示 3D 形状。

May, 2021

本文提出了一种新的三维形状表示 —— 本地隐式网格表征，它适用于大型、多样化的室内场景，利用 autoencoder 学习局部数据的嵌入，再使用解码器实现形状优化，提高了基于稀疏点观测的三维表面重建结果。

Mar, 2020

通过引入类别级神经场，我们提出了一种改进的方法来重建场景中部分可见的物体，提高三维重建的效果，并在模拟和真实数据集上进行了实验证明。

Jun, 2024

本文研究利用可微分射线投射进行隐式表面重建。我们提出了一种高保真表面重建的柔性神经隐式表示方法 NeuDA，利用分层体素网格维护分层锚点网格。此外，我们还深入探讨了位置编码策略，并引入了一种简单的分层位置编码方法，以灵活利用高频和低频几何与外观的特性。实验证明，NeuDA 可以产生有前途的网格表面。

Mar, 2023

通过利用神经辐射场（NeRF）的一个紧凑的单一图像表示，我们能够从单一图像中推断物体渲染，三维重建和抓握姿势预测，从而比先前方案小两个到三个数量级，而实现可比的视图重建和抓握性能。

Oct, 2022