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。

该文汇总多项研究：NeRF-SR从低分辨率输入合成高质量新视角；MRI仅用29%次Nyquist采样数据即可高效重建；网格模型多分辨率训练提升渲染效率；无监督粗到细框架改善MRI过拟合；多NeRF加速复杂场景渲染；MLP采样器减少50%计算；前馈模型实现少量视角合成；MS-NeRF处理反射折射；SAR-NeRF用于少样本分类；隐式表示实现任意尺度MRI重建。

本文综述人体三维建模与重建研究，涵盖基于多视角视频的实时高逼真虚拟人物动画、姿态相关外观与几何学习、混合隐式表面表示、SMPL/SMPLX参数化框架、UV空间纹理与几何预测、神经场人体配准及隐式神经表示综述，多数方法在公共基准上达到先进水平。

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。