本文介绍一种基于 Deep Signed Distance Function 的不可微分网格表述方法 MeshSDF，通过推理隐式场的扰动如何影响局部表面几何，最终不限制分辨率和拓扑结构地将 Deep Implicit Field 显式地表示成一个可微分的网格形状，该方法在单视角重建和基于物理的形状优化方面优于现有技术。

Jun, 2020

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

我们提出了一种新方法，利用网格作为指导机制来编辑神经辐射场，通过可微的多面体网格提取和可微的颜色提取，从显式网格到隐式场实现了梯度反向传播，使用户能够轻松操作神经辐射场的几何和颜色。通过引入基于八叉树的结构来优化用户控制性，实现了对神经隐式场的细粒度编辑，并适应了各种用户修改，包括对象添加、部件删除、特定区域变形以及局部和全局颜色调整。通过各种场景和编辑操作的广泛实验，我们展示了我们方法的能力和有效性。

Dec, 2023

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021

通过基于部件的隐式形状模型，我们设计了一种可以控制 3D 头像的方法，可以推断局部语义 Rig，包括面部特征，通过局部控制丰富了隐式形变字段，使其具有更强的局部控制性能。

Apr, 2023

本文介绍了一种新颖的隐式位移场在 3D 几何形状的表达及重构中的应用，它将一个复杂的表面表示为一个平滑的基础表面及一个沿着基础表面法线方向的位移，实现了高低频信号的分解，提高了表达能力、训练稳定性及泛化性。

Jun, 2021

本文提出了一种新的 3D 表示方法，神经向量场（NVF），该方法充分利用了显式学习过程和隐式函数表示的强大表示能力，通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍，进而提出了一个基于矢量量化的形状代码本学习方法，最终实现了在不同的评价场景下优于最先进方法的结果，包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。

Mar, 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

基于神经场的实时单目建图框架与密集 SLAM 相结合，利用多分辨率网格编码和有符号距离函数表征进行神经场的高效构建，并通过环路闭合和深度先验进行全局一致性和精度增强，从而优于现有方法，在保持实时性能的同时提高了准确度和地图完整性。

Oct, 2023

本研究采用神经场进行注册，通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换，实现连续隐式表示的多个神经场的注册，同时讨论神经场在无约束环境中的应用挑战和未来研究方向。

Feb, 2024