随着虚拟现实、自动驾驶等领域对3D模型需求的激增，传统显式3D重建方法（如体素、点云和网格）在计算资源、细节表现和拓扑灵活性方面存在显著缺陷，隐式表示方法虽克服了显式方法的不足，但仍面临空间信息缺失、先验约束不足和局部细节恢复能力有限等挑战。针对这些问题，本项目提出G2IFu，一种基于图的隐式函数方法，旨在通过引入图结构增强空间感知能力，提升单视图3D重建的精度与细节。项目内容方面，G2IFu通过四个核心模块实现高效重建：特征提取模块采用改进的ResNet-18结合通道与空间自注意力机制，融合图像的全局与局部特征；Point2Graph模块将3D点扩展为包含假设点及其连接关系的图结构，通过投影获取多尺度图像特征；Graph2Occ模块利用图卷积网络（GCN）分析图节点间的空间拓扑关系，预测隐式场状态；表面重建模块通过Marching Cubes算法从预测的隐式场中提取高精度网格。该方法创新性地将图结构引入隐式表示，通过假设点扩展感知范围，并结合自注意力机制优化特征融合。创新点方面，G2IFu首次将图结构整合到神经隐式表示中，通过图节点的空间连接关系捕获局部几何结构，突破了传统点独立预测的局限性；提出基于图的先验边界损失函数，引导网络聚焦于形状表面附近的“关键点”，增强表面细节的恢复能力；设计多尺度特征投影机制与改进的自注意力模块，有效结合全局轮廓信息与局部纹理特征，显著提升复杂几何结构的重建精度。项目成果与指标方面，在ShapeNet数据集上的实验表明，G2IFu在IoU（0.632）、Chamfer-L1（0.159）、EMD（2.899）和F-Score（66.12）等关键指标上均超越现有最优方法（如DISN、ONet），尤其在细节丰富的物体类别（如枪支、灯具）中表现突出，与主流方法相比，G2IFu在保持合理计算资源消耗（参数量14.22M，推理时间1.98秒）的同时实现了更高的重建质量，验证了图结构在隐式场建模中的有效性，此外该方法成功扩展到多视图重建任务，展现了良好的泛化能力。