发现与 Implicit Representations 相关的最受欢迎的开源项目和工具，了解最新的开发趋势和创新。
一个简单的命令行工具，利用OpenAI的CLIP和Siren（隐式神经表示网络）进行文本生成图像。这项技术最初由https://twitter.com/advadnoun创建。
神经渲染资源
精选的预训练句子和词嵌入模型列表
一个用于可微分非线性优化的库
CVPR 2022论文：ICON——从法向量中获取隐式着装人体
一个完全专注于神经微分方程、隐式模型及相关数值方法的PyTorch库
一份关于机器人/强化学习领域隐式表示和神经辐射场 (NeRF) 的全面论文列表，包含论文、代码和相关网站。
NICE-SLAM：用于SLAM的神经隐式可扩展编码（CVPR 2022论文）
CVPR 2021（口头报告）论文：基于局部隐式图像函数学习连续图像表示
这个代码库包含了CVPR 2021论文“GIRAFFE：将场景表示为组合生成神经特征场”的代码。
78种语言的多语言词向量
点神经辐射场 (Point-NeRF): 基于点的辐射场神经网络
《图2vec：学习图的分布式表示》的并行实现（MLGWorkshop 2017）
基于神经渲染的多视角三维重建。这是UNISURF、VolSDF、NeuS等模型的非官方实现。
理解 VAE 潜在表征中 disentanglement 的实验
一份精心整理的资源列表，涵盖了变分自编码器（VAEs）、 disentanglement（可分离性）、表示学习和生成模型方面的优秀工作。
基于三重信息瓶颈的无监督语音分解
High-level diagram representations for code
为了像人类一样学习和推理，人工智能首先必须学会分解出独立数据生成因素的可解释表示（最好是无监督的！）。这是什么意思呢？请阅读本教程，了解在无监督视觉解纠缠表示学习中解纠缠的概念。
《神经信息处理系统大会（NeurIPS）2018论文：视觉对象网络：基于解耦三维表示的图像生成》
