本文介绍了一种基于深度签名距离函数的网格表示方法MeshSDF，能够高效地进行3D形状重建和优化，且不受分辨率和拓扑结构的限制。同时，提出了利用网格编辑神经辐射场的新方法，以增强用户对几何和颜色的控制能力。此外，探讨了变形感知正则化和神经距离场模型在隐式表示中的应用，提升了形状重建的质量和效率。

本文介绍了一种利用神经网络从点云重建表面的方法。该方法通过训练局部上下文先验，实现了对不同点云的全局重构，实验结果表明其在表面重建方面优于现有技术。此外，研究提出了新的隐式表示方法和基于深度学习的网格重建技术，显著提高了重建精度和效率。

本文介绍了一种基于神经辐射场的3D场景风格化方法，结合超网络和隐式表示模型，通过双向学习框架和语音指导实现高质量的风格迁移。研究展示了在视觉质量和一致性方面的优势，并探讨了神经样式化在3D数据中的最新进展及其面临的挑战与应用。

本文提出了一种新方法，使用LiDAR测量重建大规模三维语义场景，并采用隐式表示进行建模。通过MLPs解码隐式特征，得到语义信息和距离值，并采用自监督和伪监督策略进行优化。最后使用Marching Cubes算法进行推断和可视化。在三个真实数据集上表现出高效果和效率。

该文介绍了一种新的对抗性攻击防御方法——图像重采样，通过使用隐式表示驱动的方法，可以显著提高模型的对抗鲁棒性。