本文介绍一种利用神经网络编码局部上下文先验 (surface reconstruction from point clouds) 的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。
Apr, 2022
本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。
Oct, 2022
通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。
本文提出了一种新的隐式表示方法，称为最接近的表面点（CSP）表示，用于表示具有任何拓扑结构的开放或封闭形状并计算本地几何属性，可以实现高保真度和有效实现外围算法，如球追踪来呈现三维表面和创建显式基于网格的表示，并在 ShapeNet 数据集上验证了超越最先进结果的贡献。
Jun, 2021
该研究提出了一种使用可见性信息从 3D 线段中提取平面，并在此基础上进行完整的分块平面重建的方法，以支持在缺乏纹理的情况下进行室内场景的 3D 重建。通过 RANSAC 方法提取线段形状以支持多种形状，进而实现了对稀疏输入数据、噪声和异常值的鲁棒性。
Nov, 2019
本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。
Jul, 2020
本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。
Mar, 2020
通过快速查询网格和使用树结构加速到表面的距离计算，我们提出了 GridPull 来从大规模点云中改善学习隐式表示的效率。
Aug, 2023
本研究介绍了 Rfd-Net，该方法通过在原始点云数据中直接检测和重构密集对象表面，摆脱了使用常规网格表示场景的限制，旨在预测可识别高对象性的形状，从而实现全局对象定位和局部形状预测，提高了物体检测的精度，比现有技术研究结果提高了 11 个三维网格交并比。
Nov, 2020
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