この記事では、点群データから3Dの暗黙的表面を再構築するための新しい手法「NeuralSSD」が提案されています。この手法は、ニューラルGalerkin法に基づくソルバーであり、入力点群からより高品質で正確な表面を再構築することを目指しています。暗黙的手法の利点は、形状を正確に表現でき、トポロジー変更に対する堅牢性を持つ点です。しかし、既存の暗黙的場のパラメータ化は、表面と入力データとの密接な適合を保証する明示的なメカニズムを欠いています。これを解決するために、新たなエネルギー方程式を提案し、点群情報の信頼性をバランスよく保つことを目指しています。また、三次元情報を学習する新しい畳み込みネットワークを導入し、優れた最適化結果を得ています。NeuralSSDは、ShapeNetやMatterportデータセットなどの挑戦的なデータセットを用いて評価されており、表面再構築の精度と一般化能力において最先端の結果を達成しています。