通过水平集投影学习在无符号距离场中更连续的零水平集
本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的UDF的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。
Oct, 2022
本文提出了一种级别集对齐损失算法，该算法可以用于通过神经网络从多视角图像和三维点云提取符号距离函数，并通过使级别集保持平行来提高其精度。
May, 2023
本文提出了一种名为DoubleCoverUDF的新方法，用于从无符号距离场（UDF）中提取零水平集。该方法通过使用标准的Marching Cubes算法，使用学习得到的UDF和用户指定的参数$r$提取具有等值$r$的等值面。实验证明，计算得到的等值面是目标零水平集$S$的$r$-偏移体的边界，而不管$S$的拓扑结构。接下来，算法通过计算一个覆盖映射将边界网格投影到$S$上，保持网格的拓扑结构并避免折叠。如果$S$是一个可定向流形表面，我们的算法可以通过鲁棒的最小割后处理步骤将双层网格分割成单层。通过对开放模型的三维表面重建以及对合成模型和基准数据集的实验证明了我们算法的有效性和效果。实验结果表明，与现有的基于UDF的方法相比，我们的方法具有更好的视觉评估和定量指标。源代码可以在此https URL找到。
Oct, 2023
本论文提出了一种学习超博定标度无符号距离场的方法，该方法可以与连续可微的隐式神经表示网络无缝集成，提高了开放表面表示的精度和训练性能，并能准确计算法线方向等基本拓扑特性，有助于下游任务。通过广泛实验证明了该方法在各种数据集上的有效性，并且相比之前的方法提高了速度。
Feb, 2024
我们提出了一种Details Enhanced UDF (DEUDF)学习方法，通过集成法线对齐和SIREN网络来捕获精细的几何细节，自适应加权的等距约束方法来解决目标表面附近梯度消失的问题，基于MLP的UDF表示方法来放宽非负约束，以及一种专门针对UDF的非常量等值面提取方法，这些策略共同稳定了从未定向点云中进行学习的过程并提高了UDF的准确性。我们的计算结果表明，DEUDF在准确性和重建曲面质量方面优于现有的UDF学习方法。我们将公开源代码。
Jun, 2024
利用局部形状函数学习无符号距离场（UDF）的神经框架 LoSF-UDF，从3D点云重建表面，无需针对具体形状进行训练，并且对于点云中的噪声和异常值表现出增强的鲁棒性。
Jul, 2024
我们提出了一种新的非线性隐式滤波器，用于对点云数据进行平滑处理并保留高频几何细节，实验证明我们的方法在对象和场景点云表面重建方面改进了现有技术。
Jul, 2024
本研究解决了从无符号距离场中提取零级集时面临的拓扑准确性和几何细节捕捉的挑战。提出的DCUDF2方法引入了具有自适应权重的准确性感知损失函数，显著提高了几何质量，并通过拓扑修正策略增强了方法的鲁棒性。实验结果表明，DCUDF2在几何保真度和拓扑准确性方面优于现有最先进的方法DCUDF。
Aug, 2024
本研究针对传统有符号距离函数在建模多样表面时的不足，提出了缩放平方距离函数（S$^{2}$DF），一种新型的隐式表面表示方法。S$^{2}$DF有效解决了无符号距离函数在零水平集处的不可微性问题，并且通过Monge-Ampere正则化，无需真实S$^{2}$DF值的监督即可从原始无方向点云中直接学习S$^{2}$DF，实验结果表明该方法在多个数据集上显著优于现有的需要真实值监督的监督方法。
Oct, 2024