随着三维建模技术的快速发展，基于深度学习的单视图三维重建方法成为计算机视觉领域的重要研究方向。然而，现有基于点学习的隐式函数方法在感知空间和结构信息利用方面存在局限，难以实现高精度的三维形状重建。针对这一问题，本项目提出了一种基于图结构的隐式函数G2IFu，通过将三维点扩展为图结构并引入先验边界损失，实现了高质量的单视图三维重建。项目创新性地提出了图结构到隐式值的映射方法，通过构建假设三维点扩展图和设计基于图的边界损失函数，显著提升了形状表面的重建精度。实验结果表明，所提出的方法在ShapeNet数据集上取得了优异性能，IoU指标达到0.632，Chamfer-L1距离降低至0.159，在多个物体类别上的重建质量优于现有方法。此外，通过扩展至多视图重建任务，进一步验证了该方法的有效性和泛化能力，为三维重建领域提供了新的技术思路。