نُقدّم SDFDiff، منهجية جديدة لتحسين الأشكال القائمة على الصور باستخدام عرض قابل للتفاضل للأشكال ثلاثية الأبعاد الممثلة بدوال المسافة الموقعة (SDFs). مقارنةً بالتمثيلات الأخرى، تتمتع SDFs بميزة تمكّنها من تمثيل الأشكال ذات التوبولوجيا العشوائية، كما تضمن سطوحًا مغلقة تمامًا (watertight). نُطبّق منهجيتنا على مشكلة إعادة بناء 3D من عدة منظورات، حيث نحقق جودة إعادة بناء عالية ونتمكن من التقاط التوبولوجيا المعقدة للأجسام ثلاثية الأبعاد. بالإضافة إلى ذلك، نستخدم استراتيجية متعددة المدى (multi-resolution) لضمان خوارزمية تحسين قوية ومستقرة. ونُظهر أيضًا أن مُحاكي العرض القابل للتفاضل القائم على SDF يمكن دمجه مع نماذج التعلم العميق، مما يفتح آفاقًا لطرق التعلّم على الأجسام ثلاثية الأبعاد دون الحاجة إلى تدريب ثلاثي الأبعاد. وبشكل خاص، نُطبّق منهجيتنا على إعادة بناء 3D من منظور واحد ونحقق نتائج تُعدّ من أفضل النتائج الحالية في المجال.