计算机图形学，3D计算机视觉和机器人技术社区已经提出了多种方法来表示3D几何图形以进行渲染和重构。
这些提供了在保真度，效率和压缩能力之间的权衡。 在这项工作中，我们介绍了DeepSDF，这是一种学习到的连续形状的符号距离函数（SDF）表示形式，可以实现高质量的形状表示，部分和嘈杂的3D输入数据的内插和完成。 DeepSDF和它的经典对应物一样，通过连续的体积场表示形状的表面：该点的大小表示到表面边界的距离，符号表示该区域是在内部（-）还是外部 （+）形状，因此我们的表示形式将形状的边界隐式编码为学习函数的zero-level-set，同时明确表示空间的分类是否为内部形状的一部分。 解析或离散体素形式的经典SDF通常代表单个形状的表面，而DeepSDF可以表示一整类形状。
1.
提出了一种高效，高效率，完全连续的生成型3D建模的新颖表示方法。 我们的方法使用了SDF的概念，但是与普通的表面重建技术不同，该技术将SDF离散成规则的网格以进行评估和测量去噪，相反，我们学习了生成模型来产生这样的连续场。
所提出的连续表示可以直观地理解为学习的形状条件分类器，其决策边界是形状本身的表面，如图2所示。我们的方法与其他尝试将潜在空间映射到3D复杂形状分布的作品具有共同的方面[54]，但在中心表示上却存在重大差异。
虽然定义为SDF的隐式表面的概念在计算机视觉和图形社区中已广为人知，但以前没有工作尝试直接学习SDF的连续，可概括的3D生成模型。
我们的贡献包括：（i）建立具有连续隐式曲面的生成形状条件3D建模，（ii）基于概率自动解码器的3D形状学习方法，以及（iii）演示和应用 此公式可以塑造模型并完成。 我们的模型可产生具有复杂拓扑结构的高质量连续表面，并通过定量比较获得最新的结果，以进行形状重构和完成。 作为我们方法有效性的一个示例，我们的模型仅使用7.4 MB（兆字节）的内存来表示整个形状类别（例如，成千上万的3D椅子模型），例如，不到模型的一半。 单个未压缩的5123 3D位图的内存占用空间（16.8 MB）。