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

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

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

该论文提出了一种新的三维表示方法 Neural Density-Distance Field (NeDDF)，同时约束距离场和密度场，从而实现了稳健的初始化和高质量的配准，并在新视角合成方面达到了与 NeRF 相当的结果。

Jul, 2022

本文提出了一种基于方向距离场的 3D 几何数据的高效、有效、鲁棒和可微的距离度量方法 DirDist，通过在同一域上定义其方向距离场的两个 3D 几何模型的差异来建立模型对应关系，并在多个几何建模任务上展示了 DirDist 的优势，包括模板曲面拟合、刚体配准、非刚体配准、场景流估计和人体姿势优化。大量实验证明，在所有任务下，DirDist 的准确性显著提高，作为一种通用的距离度量方法，DirDist 有潜力推动 3D 几何建模领域的发展。

Jan, 2024

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

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

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

本文介绍了使用有向距离场作为对象的功能性表示，通过将其存储为神经网络进行优化以及使用修改后的路径追踪算法渲染此类对象，以实现更快速的合成图像渲染。

Jun, 2023

本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

Jan, 2021