本文提出了一种基于先验知识的手部和物体联合重建方法，其中通过参数化模型获得手和物体的姿态，用它们来对齐三维空间中的有符号距离场数据，以重建更精细的手势和形状细节，实验表明该方法在 ObMan 和 DexYCB 数据集上有显著的性能优势。

Jul, 2022

通过使用签名距离场（SDF）引导手 - 物体姿态估计网络（HOISDF），将三维手势和物体姿势的估计从单目摄像机中联合评估，实现了全局的隐式表征，达到了最新的手 - 物体姿态估计结果。

Feb, 2024

提出了 DDF-HO 方法，利用 Directed Distance Field 作为形状表示，通过引入新的 2D 基于射线的特征聚合方案和 3D 交叉感知手势嵌入，结合 2D-3D 特征对手和物体的相互作用进行建模，大幅优于其他基准方法，尤其在 Chamfer 距离下超过 80%。

Aug, 2023

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

该论文提出了一种名为 SDF-SRN 的方法，通过 2D 轮廓学习无需多视图注释的隐式三维形状表示，实现了单视图训练，并在合成和真实世界数据集上优于当前技术水平的基于单视图监督的方法。

Oct, 2020

介绍了 DeepSDF 方法，它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数（SDF）的表示，将 3D 几何表示为体积场，并可表示整个形状类。DeepSDF 方法相比以往方法降低了一个数量级的模型大小，同时获得了学习 3D 形状表示和完成方面的最先进性能。

Jan, 2019

该研究论文提出了一种使用关节的带符号距离函数来表示动态物体的连续重建方法，并实现了对动态物体建模的控制和动画。

Apr, 2021

提出了使用可微分渲染 3D 形状来进行基于图像的形状优化的 SDFDiff 方法，并将其应用于多视图 3D 重建问题，并采用多分辨率策略获得了稳健的优化算法。同时，还可将其与深度学习模型集成，实现无需 3D 监督学习 3D 对象的学习方法，并在单视图 3D 重建方面取得了最先进的结果。

Dec, 2019

介绍了一种基于 StyleGAN2 的深度学习方法来生成三维形状，称为 SDF-StyleGAN，使用隐式有符号距离函数（SDF）作为三维形状表示，并引入两种新的全局和局部形状鉴别器，在形状几何和视觉质量方面显著提高了性能。

Jun, 2022

本文提出了一种新颖的 3D 空间表示方法，其中概率有符号距离函数（Probabilistic SDF, PSDF）用于描述 3D 空间中的不确定性，支持数据融合和场景重建，同时提高了模型质量和减少冗余。

Jul, 2018