本研究提出了Vista3D框架，旨在从单张图像中揭示物体的隐藏维度。该框架采用两阶段方法，快速生成3D模型，并通过优化的有符号距离函数提升生成质量。实验结果表明，该方法在一致性和多样性之间取得了良好平衡，具有重要的应用潜力。

DeepSDF方法通过学习连续有符号距离函数（SDF）实现高质量的3D形状表示和完成，显著降低模型大小并提升性能。该研究提出多种基于SDF的生成对抗网络，能够从点云直接推断高保真度的隐式神经表示，优化动态物体建模，并增强三维对象表示学习的泛化能力，在多个数据集上取得优异结果。

本文提出了一种基于神经网络的稀疏输入学习方法，旨在重建三维物体表面并推断有符号距离函数（SDF）。该方法在处理噪声和不完整点云方面表现出色，显著提高了表面重建的精度和鲁棒性，尤其在合成和真实数据中效果显著。

该论文提出了ObjectSDF框架，结合有符号距离函数（SDF）和语义信息，实现高保真度的对象组合神经隐式表示。实验表明，该方法在物体组合场景和单个实例建模方面表现优越。同时，介绍了ObjectSDF++和SurroundSDF等相关方法，旨在提升3D重建的质量和效率。

本文介绍了多种基于神经隐式表面的3D重建方法，如DeepSDF、ClusteringSDF和MV-DeepSDF。这些方法通过学习有符号距离函数（SDF）实现高质量的形状表示和重建，尤其在复杂场景和自动驾驶数据集上表现优异。此外，研究提出了新框架AiSDF和H2O-SDF，增强了室内场景的细节重建和对象识别能力。

该文介绍了一种新型分割算法，利用深度条件形状模型作为核心组件，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型。该算法在多种3D模态下的心脏左室分割问题上进行评估，自动化的DCSM在非对比度CT上表现优于基准结果，在对比度CT和3DE上添加细化后性能得到显著改善，而用户输入标志物的半自动化DCSM在全部模态下的Dice指数均超过92%。

本研究提出了一种新颖的神经隐式亮度表示方法，用于从不规则物体照片中进行自由视角重照。通过多层感知器将形状表示为有符号距离函数，并模拟反射来建模高频光传输效果。该方法在合成和真实场景中得到验证。

该论文提出了一种新的框架ObjectSDF，用于构建高保真度的对象组合神经隐式表示。该框架结合了各个对象的有符号距离函数（SDF），将语义信息转换为对象SDF的函数，并开发了统一且紧凑的场景和对象表示。实验结果表明，该框架在表示整体物体组合场景和单个实例方面具有卓越的优势。