提出了一种通过神经明确表面（NES）对动态人物进行有效建模的技术。该技术利用隐式神经场显式地表示，以提高内存和计算效率。通过隐式方法进行训练并结合显式渲染界面，利用新提出的基于光栅化的神经渲染器进行高效渲染，实现了材质颜色查询的优化，减少了冗余和计算负载。该方法在速度和内存开销方面有显著改进，同时能够描述动态人体几何形态与纹理。

Aug, 2023

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

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021

神经辐射场通过平滑过渡体积 - 表面渲染方法，在加速渲染速度的同时提高视觉保真度，并能够通过提取的网格包络应用于动画和仿真等下游应用。

Nov, 2023

本研究采用神经场进行注册，通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换，实现连续隐式表示的多个神经场的注册，同时讨论神经场在无约束环境中的应用挑战和未来研究方向。

Feb, 2024

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

本研究提出了一种名为 Surface Networks（SN）的模型，该模型通过利用三维曲面的外部微分几何属性，如 Dirac 算子的频谱来定义稳定的形状表示，并证明其对变形和离散化具有稳定性，在两项挑战性任务上展示了 SN 的高效性和多功能性，包括使用 SN 构建的变分自编码器进行时间预测。

May, 2017

本论文提出了一种基于网格的新型表示法，并将神经隐式场编码为网格顶点上的几何和纹理码，以实现包括网格引导几何编辑、指定纹理编辑、填充和绘画操作等一系列编辑功能。实验结果表明，该方法有着优秀的表现质量和编辑能力。

Jul, 2022

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

本文提出了一种动态点场模型，它将显式点图形的表现优势与隐式形变网络相结合，以便有效地建模非刚性 3D 表面，并演示了该模型在创建表情逼真的可动人体形象方面的优势。

Apr, 2023