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

本文提出通过联合训练隐式函数和新的粗球面基础表面重构方法解决多视角三维重建中高频细节重建效率低下的问题，并将其应用到多种隐式表面建模方法的训练过程中，从而获得在合成数据和实际数据集上的统一改进。

Sep, 2022

本文提出了一种新的3D表示方法，神经向量场（NVF），该方法充分利用了显式学习过程和隐式函数表示的强大表示能力，通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍，进而提出了一个基于矢量量化的形状代码本学习方法，最终实现了在不同的评价场景下优于最先进方法的结果，包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。

Mar, 2023

该研究提出了一种利用插值与外推技术，通过有效计算几何特性和引入权重感知的隐式神经表示法，在有限的已知数据下重建具有优异定量和定性结果的表面，并能够处理非闭合表面的局部退化区域

Jun, 2023

基于神经网络的表面重建可大致分为两类，一类明确地对模板进行变形，另一类隐式地表示3D表面；为了获得两者的优势，我们提出了一种新颖的3D表示方法，神经向量场(NVF)，它采用显式的学习过程来操作网格，并采用隐式无符号距离函数(UDF)表示法来突破分辨率和拓扑的限制；通过直接预测表面查询中的位移并将形状建模为向量场，而不是依赖网络微分以获得方向场，从而能够编码距离和方向场，使方向场的计算免于微分，避免繁琐的表面提取步骤；此外，基于NVF，我们提出了同时结合两种类型的形状码书，即NVF(Lite或Ultra)，通过编码跨对象先验来促进跨类别重建；此外，我们还提出了一种基于分析NVF的零旋性质的新的正则化方法，并通过完全可微分的NVF(ultra)框架实现；我们在四种表面重建场景下对NVF进行评估，包括封闭与非封闭形状、类别不可知重建与类别未知重建、类别特定和跨领域重建。

Sep, 2023

通过利用深度、表面法线和RGB损失来改善重建保真度和优化时间的缺乏多视图线索的非刚性表面的高保真度三维建模的无模型神经隐式表面重建方法DynamicSurf。

Nov, 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