本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。
Feb, 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
本文提出了一个基于可微分的Poisson曲面重建形式的可微分点到网格层，实现与另外两种不同类型表达（点和网格）之间的连接，达到更好的3D 重建效果, 比基于神经暗示表达的方法更精炼且推理时间加速了一个数量级。
Jun, 2021
本文提出了一种基于散度导向的形状表示学习方法，不需要输入法向量，并且引入了一种新颖的几何初始化方法，使得INR网络在表面重建和形状空间学习任务中取得了比当前最先进的朝向无关方法更好的性能。
通过在表面上使用先验信息, 使用神经网络从稀疏的3D点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。
Apr, 2022
本文介绍RegSDF的神经隐式函数方法在不规则、开放场景和复杂三维路径下的表面重建，证明适当的点云监督与几何规范足以生成高质量和鲁棒的重建结果。
Jun, 2022
本文提出了一种基于神经网络的方法，可以直接从单个稀疏点云中推断有符号距离函数（SDF），构建了表面参数化和SDF推断的端到端方法，通过利用参数化表面作为粗略表面采样器，以统计方式推断SDF，并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。
Mar, 2023
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
本研究解决了在大量扫描噪声存在时表面重建中过拟合或过于平滑的问题。提出了一种新型的神经场，八面体场，通过球面调和的表示，自动捕捉几何特征，确保在平滑的同时保留锐角。实验表明，该方法在各种传统和神经方法中表现出色，具有显著的实际应用潜力。
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