M-plicits
一种基于嵌套多尺度残差结构的神经隐式曲面重建方法，通过层级化残差网络在粗糙曲面基础上逐步精化几何细节，兼顾抗噪鲁棒性与高频细节保留
时间轴 (近 90 天)
M-plicits 被 NeurIPS 2026 接收
M-plicits 通过先学习一个干净的粗糙曲面，再用残差网络在前一层曲面周围的嵌套邻域中逐级精化来重建神经隐式曲面
M-plicits 把一个复杂曲面拆解为粗糙基底加多层残差细节的结构，每一层残差被限制在上一层曲面附近的嵌套邻域内训练
M-plicits 把多个细节层级统一进同一个表示里，通过嵌套残差组织成一个层级结构，实现可控的噪声/细节权衡
作者在项目页中给出了 M-plicits 与 iNGP（Instant NGP）在噪声输入上的直观对比
M-plicits 提出了配套算法包括多尺度球面追踪、解析曲面法线、曲面提取与神经法线映射
M-plicits 的多尺度结构允许解析地推导曲面法线，不依赖自动微分
作者公开了代码、实验数据以及105个检查点，覆盖36个形状并附带训练配置，模型托管在 Hugging Face 上
M-plicits 的检查点是逐个拟合的独立曲面，每个形状单独训练，拟合全新形状需要重新训练，不具备跨形状泛化能力
作为第一作者，研究者在 Reddit 上邀请社区就噪声与细节权衡是否合理及与其他隐式曲面表示方法的横向对比给出反馈
全部知识事实 (10)
M-plicits 通过先学习一个干净的粗糙曲面，再用残差网络在前一层曲面周围的嵌套邻域中逐级精化来重建神经隐式曲面
50%待验证M-plicits 的检查点是逐个拟合的独立曲面，每个形状单独训练，拟合全新形状需要重新训练，不具备跨形状泛化能力
50%待验证M-plicits 把一个复杂曲面拆解为粗糙基底加多层残差细节的结构，每一层残差被限制在上一层曲面附近的嵌套邻域内训练
50%待验证M-plicits 把多个细节层级统一进同一个表示里，通过嵌套残差组织成一个层级结构，实现可控的噪声/细节权衡
50%待验证作者在项目页中给出了 M-plicits 与 iNGP（Instant NGP）在噪声输入上的直观对比
50%待验证M-plicits 提出了配套算法包括多尺度球面追踪、解析曲面法线、曲面提取与神经法线映射
50%待验证M-plicits 的多尺度结构允许解析地推导曲面法线，不依赖自动微分
50%待验证作为第一作者，研究者在 Reddit 上邀请社区就噪声与细节权衡是否合理及与其他隐式曲面表示方法的横向对比给出反馈
50%待验证作者公开了代码、实验数据以及105个检查点，覆盖36个形状并附带训练配置，模型托管在 Hugging Face 上
50%待验证M-plicits 被 NeurIPS 2026 接收
50%