本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

Jan, 2021

本文提出了一种从 TSDFs 中增量式构建 ESDFs 的方法，这是一种用于计算机图形学和视觉的常见隐式表面表示方法，该方法可以快速、准确且实时地进行路径规划和实时计划，特别适用于在未探索的环境中操作的微型飞行器。

Nov, 2016

介绍了 DeepSDF 方法，它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数（SDF）的表示，将 3D 几何表示为体积场，并可表示整个形状类。DeepSDF 方法相比以往方法降低了一个数量级的模型大小，同时获得了学习 3D 形状表示和完成方面的最先进性能。

Jan, 2019

通过使用签名距离场（SDF）引导手 - 物体姿态估计网络（HOISDF），将三维手势和物体姿势的估计从单目摄像机中联合评估，实现了全局的隐式表征，达到了最新的手 - 物体姿态估计结果。

Feb, 2024

提出 SurroundSDF 方法来通过环境图像隐式地预测连续的感知距离场 (SDF) 和语义场，通过使用基于查询的方法和 Eikonal 公式约束 SDF 以准确描述障碍物表面，并引入一种新的弱监督模式 (Sandwich Eikonal formulation) 来提高表面感知的准确性，实验证明该方法在 nuScenes 数据集上在占用预测和 3D 场景重建任务中取得了最优的结果。

Mar, 2024

该论文提出了一种 LGSDF 算法，通过动态更新轴对齐网格和持续自监督学习的神经网络来实现 ESDF 的隐式重建，从而构建更准确的 ESDF 地图和网格。

Apr, 2024

通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

Apr, 2024

在室内场景中，我们提出了一种基于结构感知的在线有符号距离场（SDF）重建框架，特别是在 Atlanta 世界（AW）假设下，命名为 AiSDF。通过该在线框架，我们推断给定场景的潜在 Atlanta 结构，然后估计支撑 Atlanta 结构的平面 surfel 区域，提供了给定场景的显式平面地图。此外，基于这些 Atlanta 平面 surfel 区域，我们对 SDF 重建进行自适应采样和约束结构规律性，从而在保持高层结构的同时增强给定场景的细节。我们在 ScanNet 和 ReplicaCAD 数据集上评估了提出的 AiSDF，证明了该框架能够隐式地重建对象的细节，并在房间尺度的场景中显式地重建结构。

Mar, 2024

我们介绍了一种新颖的两阶段学习方法，H2O-SDF，用于区分室内环境中的对象和非对象区域。该方法在保持房间布局的几何完整性的同时，捕捉特定对象的复杂表面细节。我们的方法的核心是引入了一种名为对象表面场（OSF）的新概念，用于解决先前阻碍其他方法捕捉高频细节的持续消失梯度问题。通过多个实验，包括消融研究，验证了我们提出的方法。

Feb, 2024

提出了使用可微分渲染 3D 形状来进行基于图像的形状优化的 SDFDiff 方法，并将其应用于多视图 3D 重建问题，并采用多分辨率策略获得了稳健的优化算法。同时，还可将其与深度学习模型集成，实现无需 3D 监督学习 3D 对象的学习方法，并在单视图 3D 重建方面取得了最先进的结果。

Dec, 2019