本论文提出了 Deformed Implicit Field (DIF) 表示法来建模 3D 物品的形状，实现物品之间稠密的对应关系。DIF-Net 神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的 Deformation Field 来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。

Nov, 2020

本文提出了一种基于 Deep Implicit Templates 的新型三维形状表示方法，支持在深度隐式表示中进行显式的对应关系推理，并使用 Spatial Warping LSTM 解决推理过程中的空间变换问题，同时采用特殊的训练损失函数实现了无监督学习。实验证明，该方法不仅能够学习一个共同的隐式模板，还能够在不需要监督信号的情况下，对所有形状进行精确的无缝对应。

Nov, 2020

本文提出了一种名为 MDIF 的多分辨率深度隐式函数，该模型可以在进行 3D 重建时恢复精细的几何细节，并支持多种应用，其创新点在于可以同时表示不同细节级别并支持逐步编码，支持编码器 - 解码器推理、仅解码器潜在空间优化，并在形状完成任务下获得优于现有技术的性能表现。

Sep, 2021

本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

Dec, 2019

本文介绍了一种名为 DCC-DIF 的深度内隐函数学习方法，通过将本地编码与可学习的位置向量相对应，将 3D 形状表示为动态编码云，用于捕获几何细节，提高表示能力和重建质量。

Mar, 2022

针对动物数字化的挑战，我们介绍了 DRIFu 模型，通过训练一组合成的 3D 动物模型和创新的对齐工具，实现动物形状和纹理的准确预测，并建立共享的形状空间，使得采样、姿势设定、动画和与现实数据对齐成为可能。这一突破性的方法彻底改变了我们全面理解和表征鸟类形态的能力。

Nov, 2023

本文提出了一种名为 GIFS 的新方法，通过模拟点之间的关系而不是点和表面之间的关系，以表示包括非水密形状和多层表面形状在内的一般形状，实验结果表明，在重建质量、渲染效率和视觉保真度方面，GIFS 的性能优于之前的最先进方法。

Apr, 2022

本文提出了一种名为 CIGMO 的新型深度生成模型，可以从图像数据中学习表示类别、形状和视图等因素。通过实验证明，该模型可以有效地发现物体形状的类别，即使视角差异很大，并且比以前的方法更好地完成了诸如单次物体识别和形状 - 视图解缠的任务。

May, 2022

本文介绍了一种新的神经网络模型 HNDF (Hybrid Neural Diffeomorphic Flow)，用于三维形状重建和生成，通过学习数据样本中的隐式函数，对细节信息进行拆分和处理，进一步实现高质量的三维形状再现和生成。

Jul, 2023

该研究提出了一种新的学习框架，用于学习变形的 3D 形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。

Apr, 2017