谁
DeepSDF 的核心工作由 Park 等人于 2019 年提出，随后有许多在隐式神经表示领域的后续贡献者。该方法常被用于从事三维重建、形状表示和生成建模的研究人员与工程师。
什么
DeepSDF 是一种方法，用神经网络学习将三维形状表示为连续的有符号距离函数（SDF）。与使用网格或体素不同，网络 f(theta) 将一个三维点 (x, y, z) 与一个形状潜在码一起映射为该点的有符号距离值。
- 表示形式：神经隐式的 SDF（连续场）。
- 输入：三维点坐标 + 形状的潜在向量（latent code）。
- 输出：到最近表面的有符号距离（点在内部为负，外部为正）。
何时
DeepSDF 于 2019 年提出，对隐式神经表示领域产生了重要影响。此后出现了许多后续工作（如占据网络、NeRF、SIREN 等），丰富了隐式表示的方法库。
哪里
DeepSDF 常用于研究原型、重建流程、仿真、CAD 模型生成，并作为基于学习的形状推断系统的组件。它通常在常见的深度学习框架（如 PyTorch、TensorFlow）中实现，并在训练阶段使用 GPU。
为什么
使用 DeepSDF 的理由：
- 紧凑且连续的表示，能够表示任意精度的表面细节。
- 通过潜在空间支持形状插值与平滑先验。
- 可通过对学习到的 SDF 网格应用 marching cubes 容易地转换为网格。
怎么做
高层流程：
- 收集形状模型（例如完整的 watertight 网格），并在空间中采样点及其对应的 SDF 值。
- 训练一个神经网络，输入为每个形状的潜在码 z 与空间点 x，输出预测 SDF(x; z)。
- 推理时，可针对部分观测通过优化潜在码 z，或使用训练好的编码器/先验直接回归/采样 z 进行生成。
- 在预测的 SDF 网格上使用等值面提取（如 marching cubes）来还原表面网格。
实现建议：可使用位置编码或 SIREN 激活来表示更高频率的细节；对潜在码进行正则化；在表面附近做平衡采样以稳定训练过程。
花费多少
资源与开销考虑：
- 计算：在 ShapeNet 规模的数据上训练一个中等规模的 DeepSDF 通常需要一块或多块 GPU（例如 RTX 2080/3080），训练时间从数小时到数天不等，取决于模型大小与每个形状的采样点数。
- 存储：模型体积通常从几 MB 到几十 MB 不等；数据集和采样的 SDF 缓存可能达到数 GB。
- 时间：对单个形状进行潜在码优化的推理可能需要几分钟；使用摊销编码器（amortized encoder）可以将推理时间降低到毫秒到秒级。
快速资源
- 论文：“DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation” — Park 等人，2019。
- 代码：GitHub 上有多个 PyTorch 实现（可搜索 “DeepSDF PyTorch”）。
- 数据集：ShapeNet、ModelNet 以及其他整理好的 watertight 网格集合。