通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在3D表面预测任务中的准确性和灵活性。

Jan, 2019

本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

Nov, 2019

本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。

Feb, 2020

本文介绍了神经细分，这是一种新的数据驱动的从粗到细的几何建模框架。在推断期间，我们的方法将粗三角网格作为输入，并通过应用固定拓扑更新的 loop 细分来递归细分它以获得更好的几何结构，但使用一个基于补丁的局部几何的神经网络来预测顶点位置。我们的方法使我们能够学习复杂的非线性细分方案。

May, 2020

本论文提出了一种新的神经体系结构来表示3D表面，通过引入一些创新的一致性损失来保证两个形状表示方式的协同处理，这种混合架构能够比单一表示网络产生更优的结果。

Jul, 2020

本文提出了一种用于改进神经隐函数 3D 表示中采样和正则化的混合模型，利用 iso-points 作为神经隐函数的显式表示，使训练时能够实时计算并更新采样点，以捕获重要的几何特征和优化几何约束，提高重建质量和拓扑准确性。实验结果表明，相比现有方法，该方法可以更快地收敛、更好地泛化、更准确地恢复细节和拓扑结构。

Dec, 2020

本研究介绍了一种新的三维基元表示方法 Neural Parts，该方法使用可逆神经网络定义基元，并通过学习将三维对象解析为语义一致的部件排列，有效地抽象了三维形状并实现了精确的重建。

Mar, 2021

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

该研究提出了一种利用插值与外推技术，通过有效计算几何特性和引入权重感知的隐式神经表示法，在有限的已知数据下重建具有优异定量和定性结果的表面，并能够处理非闭合表面的局部退化区域

Jun, 2023

通过使用一阶微分特性(即，表面法线)，本文展示了训练神经表示形成高准确度的3D表面重建，即使只有两个RGB视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

Jun, 2024