Sharpness-Aware Minimization (SAM)是一种新的程序，通过同时最小化损失值和损失锐度来提高模型泛化能力。实验结果表明，SAM在多个数据集和模型上都取得了最新的最好结果，并且具有很好的抗噪性能。

本文提出了一种新方法，用于从大规模、稀疏且带噪声的点云中重建三维隐式表面。该方法采用神经内核场表示法，利用紧凑支持的核函数扩展规模，并使用内存高效的稀疏线性求解器进行计算。同时，该方法采用梯度拟合求解方法来提高抗噪性能，并能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。在重建基准测试中，该方法取得了最先进的结果。

本文提出了一种新方法，用于从大规模、稀疏且带噪声的点云中重建三维隐式表面。该方法采用神经内核场表示法，利用紧凑支持的核函数扩展规模，并使用内存高效的稀疏线性求解器进行计算。同时，该方法采用梯度拟合求解方法来提高抗噪性能，并能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。在重建基准测试中，该方法取得了最先进的结果。