本文介绍一种基于 Deep Signed Distance Function 的不可微分网格表述方法 MeshSDF，通过推理隐式场的扰动如何影响局部表面几何，最终不限制分辨率和拓扑结构地将 Deep Implicit Field 显式地表示成一个可微分的网格形状，该方法在单视角重建和基于物理的形状优化方面优于现有技术。

Jun, 2020

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

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

本文提出了一种新颖的 3D 空间表示方法，其中概率有符号距离函数（Probabilistic SDF, PSDF）用于描述 3D 空间中的不确定性，支持数据融合和场景重建，同时提高了模型质量和减少冗余。

Jul, 2018

基于无符号正交距离场的新型神经隐式表示法可实现准确重构曲面点而无需插值误差。

Mar, 2024

本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架，使用有符号距离场和表面光场直接表示场景几何及外观，并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性，实验结果表明相较于现有最优方法，本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。

Aug, 2021

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

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

我们提出了一种简单的算法，用于可微性渲染被有符号距离场（SDF）表示的表面，从而使渲染能够容易地融入基于梯度的优化流程中，并通过容忍非零偏差以换取低方差和架构简化的方式来解决与可见性相关的导数问题。我们的方法将边界积分扩展为一个窄带，这在基于 SDF 表示下的表面上采样起来很容易。我们在端到端逆向渲染任务中展示了我们方法的性能和稳健性，并获得与现有工作相竞争或优越的结果。

May, 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