在现代计算机视觉中，3D 形状的最佳表示仍然是任务依赖的。本文介绍了一种新颖的神经形状表示 —— 有向距离场（DDFs），以及使用 DDFs 在多个应用领域的应用，包括单形状拟合、生成建模和单图像 3D 重建。DDFs 具有高效的可微分渲染能力，并能从单个像素的前向传递中获得深度以及从额外的反向传递中提取微分几何量（如表面法线），展现出了简单架构组件的强大性能。

Apr, 2024

本文研究了连续三维形状表示的问题，提出了一种名为 RayDF 的新框架，包括简单的光线 - 表面距离场、新颖的双光线可见性分类器和多视图一致性优化模块，通过在三个公共数据集上的广泛评估，证明了该方法在合成和真实的三维场景中对三维表面点重建的显著性能，超越了现有的基于坐标和基于光线的基准，特别地，在渲染 800x800 深度图像时，与基于坐标的方法相比，我们的方法速度提高了 1000 倍，展示了其在三维形状表示中的优越性。

Oct, 2023

提出了一种称为 CLGD 的新型距离度量，它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度，并证明其在各种优化和无监督学习任务，包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。

Jun, 2023

提出了 DDF-HO 方法，利用 Directed Distance Field 作为形状表示，通过引入新的 2D 基于射线的特征聚合方案和 3D 交叉感知手势嵌入，结合 2D-3D 特征对手和物体的相互作用进行建模，大幅优于其他基准方法，尤其在 Chamfer 距离下超过 80%。

Aug, 2023

本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

Nov, 2015

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

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

使用不同 iable 渲染技术，利用几何对应场将深度神经网络从 RGB 图像中学到的知识传递到 3D 坐标系中，以优化 3D 姿态估计，并成功地在 Pix3D 数据集上实现了相对于现有方法高达 55％的改进。

Jul, 2020

提出了一种使用本地方向分散 (LoDD) 方法来检测边界点的鲁棒且高效的方法，该方法在非凸结构和高维流形中能够准确地识别边界点，并在多个数据集上展示了良好的聚类性能。

Dec, 2023