本文介绍了 Surf-D 方法，一种使用扩散模型在任意拓扑结构上生成高质量三维形状表面的新方法。通过采用无符号距离场（UDF）作为表面表示，能够处理任意拓扑结构并生成复杂形状，解决了先前方法在拓扑结构和几何细节方面的限制。通过点云自编码器学习紧凑的潜在空间，并使用梯度查询来捕捉详细几何信息，结合课程学习策略提高嵌入过程的效率。使用预训练的形状潜变空间，采用潜变扩散模型获取各种形状的分布，并在多种模式下展示出出色的形状生成性能，并对无条件生成、类别条件生成、图像三维重建和文本到形状任务进行了广泛实验。

Nov, 2023

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

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

本论文提出了一种学习超博定标度无符号距离场的方法，该方法可以与连续可微的隐式神经表示网络无缝集成，提高了开放表面表示的精度和训练性能，并能准确计算法线方向等基本拓扑特性，有助于下游任务。通过广泛实验证明了该方法在各种数据集上的有效性，并且相比之前的方法提高了速度。

Feb, 2024

本文提出 NeuralUDF 方法，通过体绘制从 2D 图像重建任意拓扑表面，使用无符号距离函数表示表面，成功实现复杂形态的非封闭形状高质量重建。

Nov, 2022

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

本文介绍了一种新的神经渲染框架，名为 nEudf，它可以仅通过多视图监督来重建具有任意拓扑结构的表面；多次实验结果表明，相对于已有的多视图表面重建方法，nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。

Apr, 2023

该论文提出了一种新的生成式 3D 建模框架 ——Diffusion-SDF，通过使用 SDF 自编码器和 Voxelized Diffusion 模型，能够根据指定的文本描述生成高质量和高度多样化的 3D 形状，其中还包括文本条件下的形状补全和操作。

Dec, 2022

本文提出了一种改进神经 UDF 学习的方法，通过集中学习表面边缘来提高神经 UDF 对原始 3D 表面的保真度，并提出了一种基于统计学方法的表面边缘检测技术。

May, 2024

本文介绍了一种扩展 Marching Cubes 算法的方法，能够快速而准确地将 Unsigned Distance Fields 表示的非封闭曲面转换为显式网格，并且采用的表面提取方法是可微分的，适用于稀疏数据的训练。

Nov, 2021