在现代计算机视觉中，3D 形状的最佳表示仍然是任务依赖的。本文介绍了一种新颖的神经形状表示 —— 有向距离场（DDFs），以及使用 DDFs 在多个应用领域的应用，包括单形状拟合、生成建模和单图像 3D 重建。DDFs 具有高效的可微分渲染能力，并能从单个像素的前向传递中获得深度以及从额外的反向传递中提取微分几何量（如表面法线），展现出了简单架构组件的强大性能。

Apr, 2024

提出一种新的逆向渲染框架，能够从一组 RGB 图像中联合重建场景几何、空间变化的材料和 HDR 照明，并支持物理场景操作，例如射线跟踪阴影投射。

Apr, 2023

采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。

Dec, 2021

本文研究了连续三维形状表示的问题，提出了一种名为 RayDF 的新框架，包括简单的光线 - 表面距离场、新颖的双光线可见性分类器和多视图一致性优化模块，通过在三个公共数据集上的广泛评估，证明了该方法在合成和真实的三维场景中对三维表面点重建的显著性能，超越了现有的基于坐标和基于光线的基准，特别地，在渲染 800x800 深度图像时，与基于坐标的方法相比，我们的方法速度提高了 1000 倍，展示了其在三维形状表示中的优越性。

Oct, 2023

本文提出了一种基于光场的物体中心化组合场景表示法，通过无监督的方式学习神经场景表示，显著提高了场景渲染的速度和质量。

May, 2022

本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。

Oct, 2020

该论文提出了一种新的三维表示方法 Neural Density-Distance Field (NeDDF)，同时约束距离场和密度场，从而实现了稳健的初始化和高质量的配准，并在新视角合成方面达到了与 NeRF 相当的结果。

Jul, 2022

提出了一种可微球追踪算法，可以将隐式有符号距离函数的深度学习方法与逆向图形方法联系起来。该渲染方法可以高效地重建不同类型的 3D 形状，具有优秀的泛化能力和稳健性。

Nov, 2019

我们介绍了一种新颖的基于神经隐式表示法的多帧结构光设置深度估计技术。通过自我监督的可微分渲染训练神经符号距离场（SDF）。与被动视觉不同，我们利用结构光系统中通过投影模式已知的辐射场，实现几何场的独立优化，确保固定设备定位下的收敛性和网络有效性。为了提高几何保真度，我们在训练过程中引入了基于物体表面的额外颜色损失。实际实验表明，我们的方法在少样本情景下在几何性能上具有优越性，并且在增加模式可用性的情况下实现了可比较的结果。

May, 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