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
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
提出了一种新的双分支结构 GSDF，它将 3D 高斯喷洒（3DGS）表示法的灵活和高效与神经符号距离场（SDF）相结合，通过相互指导和联合监督来缓解它们的局限性，并在各种场景上展示了我们的设计能够更准确、更详细地重建表面，并同时使 3DGS 渲染受益于与底层几何更加一致的结构。
本文研究了使用神经代表距离函数（SDF）进行三维对象表示学习的泛化能力，提出了一个半监督元学习方法，可将形状先验从有标签的数据传输到无标签的数据中，用于重建未知的对象类别，并实现了 100 多个未见过的类别的强大的零 - shot 推理。
Jun, 2022
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
HIO-SDF 是一种将环境表示为带有分层方法的签名距离场的新方法，将大型复杂移动机器人工作空间紧凑地表示，并能够在在线模式下进行增量更新，相比现有的连续或离散表示法，其全局 SDF 误差较低。
Oct, 2023
利用 Deep Local Shapes 技术实现高质量 3D 形状的编码与重建，将场景分解成局部形状以降低模型的复杂度和提高推导效率。
Mar, 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
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
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