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

本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

Nov, 2019

本论文提出了一种新的神经体系结构来表示3D表面，通过引入一些创新的一致性损失来保证两个形状表示方式的协同处理，这种混合架构能够比单一表示网络产生更优的结果。

Jul, 2020

本文提出了一种用于改进神经隐函数 3D 表示中采样和正则化的混合模型，利用 iso-points 作为神经隐函数的显式表示，使训练时能够实时计算并更新采样点，以捕获重要的几何特征和优化几何约束，提高重建质量和拓扑准确性。实验结果表明，相比现有方法，该方法可以更快地收敛、更好地泛化、更准确地恢复细节和拓扑结构。

Dec, 2020

本文介绍了一种新颖的隐式位移场在3D几何形状的表达及重构中的应用，它将一个复杂的表面表示为一个平滑的基础表面及一个沿着基础表面法线方向的位移，实现了高低频信号的分解，提高了表达能力、训练稳定性及泛化性。

Jun, 2021

该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

May, 2022

本篇研究提出了一种名为ENS的表面重构方法，使用一系列神经形变场逐步将连续输入表面转换到目标形状，通过Laplace-Beltrami本征函数和标准外部傅里叶特征进行表征，具有实时性能和高质量的网格抽取能力。

Jun, 2023

该论文介绍了一种从神经隐式曲面重建近似可展曲面的方法，利用曲面曲率的性质和基于压缩感知的秩最小化技术，通过在神经隐式的二阶导数上引入正则化项来实现零高斯曲率，为发展性表面的制造提供了一种通用方法。

Aug, 2023

通过使用一阶微分特性(即，表面法线)，本文展示了训练神经表示形成高准确度的3D表面重建，即使只有两个RGB视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

Jun, 2024

本研究解决了隐式神经表示在保留高频细节和计算成本上的限制。通过整合周期性激活函数、位置编码和法线信息，提出了一种新方法，大幅提升了模型学习3D形状的能力，同时保持复杂细节与锐利特征。这一发现为3D几何重建提供了更高效的解决方案。

Oct, 2024