该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

Apr, 2019

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

本文旨在以无监督的方式学习拓扑变异物体的密集三维形状对应关系，引入了一种新的隐式函数，该函数为每个三维点生成一个部分嵌入向量，实现对点的密集对应，通过面向部分的逆函数将部分嵌入向量映射到对应的三维点上，结合几个有效的损失函数进行联合学习。在推断期间，用户选择源形状上的任意点时，算法可以自动生成相应点的置信度分数和语义点，有效提升人造物体的形状分割及无监督三维语义对应。

Oct, 2020

本文提出了一种新型的图形隐式函数族，其具有等变层，可用于捕捉 3D 几何细节并保证对各种几何变换的鲁棒性，该方法在 ShapeNet 重建任务上比现有的旋转等变隐式函数从 0.69 提高到 0.89 (IoU)，并且可以推广到其他类型的相似变换，并且具有良好的泛化能力。

Mar, 2022

本研究提出了一个统一的框架，用于预测 3D 形状之间的点对应和形状插值，结合了深度函数映射和经典表面变形模型，在谱域和空间域中进行形状映射。实验结果表明，该方法在形状匹配和插值方面优于以往最先进的方法，甚至超过了有监督学习方法。

Feb, 2024

本研究针对隐式模型中的编码向量进行变换插值时，提出需要考虑编码向量的分布假设和插值路径的几何关系；在此基础上，通过改变编码先验分布，将更多概率分布集中在原点附近，得到保证线性插值路径穿过高密度区域的方案，实现生成图像的质量和插值路径的意义更加明显。

Oct, 2017

本文提出了一种名为 GIFS 的新方法，通过模拟点之间的关系而不是点和表面之间的关系，以表示包括非水密形状和多层表面形状在内的一般形状，实验结果表明，在重建质量、渲染效率和视觉保真度方面，GIFS 的性能优于之前的最先进方法。

Apr, 2022

本文提出了一种基于 Deep Implicit Templates 的新型三维形状表示方法，支持在深度隐式表示中进行显式的对应关系推理，并使用 Spatial Warping LSTM 解决推理过程中的空间变换问题，同时采用特殊的训练损失函数实现了无监督学习。实验证明，该方法不仅能够学习一个共同的隐式模板，还能够在不需要监督信号的情况下，对所有形状进行精确的无缝对应。

Nov, 2020

Tri-directional Implicit Function (TIFu) 是一种矢量级表示方法，通过沿三个正交轴聚合矢量解决了回归固定维度矢量的固有问题，从而在任意分辨率的三维重建中取得了最先进的性能。

Jan, 2024

通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。

Jan, 2019