本研究提出了一种基于扩散模型的高效的神经场三维生成方法，通过将训练数据转换为连续占据场并将其分解为一组轴对齐的三面体特征表示来实现，训练过程中，采用现有的二维扩散模型对这些特征表示进行训练，生成高质量和多样性的三维神经场，且优于其他三维生成方法。

Nov, 2022

通过视频数据创建可控、逼真、几何详细的数字化人类复制品是计算机图形学和视觉领域的关键挑战，特别是当需要实时性能时。最近的方法将神经光辐射场（NeRF）附加到关节结构上，如身体模型或骨骼，将点映射到姿势规范空间，同时条件化 NeRF 的骨骼姿势。我们提出了 TriHuman，一个新的人体定制、可变形和高效的三平面表示方法，实现了实时性能、最先进的姿势控制几何合成以及逼真的渲染质量。在核心部分中，我们非刚性地将全局光线采样变形到无变形的三平面纹理空间中，这有效解决了将全局点映射到相同三平面位置的问题。然后，我们展示了如何将这种三平面特征表示方法与骨骼运动相关联，以考虑动态外观和几何变化。我们的结果表明，对于人体的几何和外观建模以及运行时间性能，有了明显的质量提升。

Dec, 2023

本文建立新的神经表面重建方法，在 signed distance function 的基础上结合 tri-plane 表示，采用可学习的位置编码和卷积操作，通过实验在标准数据集上大幅提高了表面重建的精度。

May, 2023

本文提出了 nf2vec 框架，用于在单次推断中为输入的神经场生成紧凑的潜在表示，展示了将其嵌入到深度学习流程中并成功解决各种任务的有效性。

Dec, 2023

本研究提出了一种基于手持拍摄的自然光下重建透明物体的 3D 形状的新方法，该方法采用了显式网格和多层感知器网络（MLP）的混合表示，通过多视图剪影获得初始形状，并使用基于表面的局部 MLP 编码顶点位移场（VDF）进行表面细节的重建。定义在表面而不是体积上的局部 MLPs 也减少了搜索空间，从而实现了基于单张图片的环境抠图算法的简化实现。经过多项实验证明，此方法可以在采集数据方面进行简化，并且可以确保重建质量优于现有的技术水平。

Mar, 2022

通过稀疏的三平面编码和分层捆绑调整，我们提出了一种能够在高分辨率上实现快速而高质量跟踪和建图的方法，该方法仅使用了常用三平面参数的 2~4% 的存储空间。

Apr, 2024

该论文提出了一种新颖的自适应表示方法，即基于四面体和 Delaunay 表示的方法，用于 Neural Radiance Fields，该方法在视角合成和三维重建方面具有最先进的结果。

Apr, 2023

本研究通过使用 PointTriNet 模型，基于局部几何数据，使用一个分类网络和一个提议网络，生成一组点的三角剖分，实现了一个不需要监督训练的，可扩展的三维几何形态学习方法。

Apr, 2020

提出了 TriNeRFLet，一种基于二维小波的多尺度 Triplane 表示的新方法，该方法在三维恢复表现上优于传统 Triplane 方法，并结合扩散模型进行超分辨率，提高了 NeRF 的分辨率。

Jan, 2024

通过使用体积场表示三维空间，使用场探测滤波器来高效地提取特征更为有效，与 3D CNNs 相比，在三维物体识别基准数据集的分类任务上展现出一流的性能。

May, 2016