تمثل تمثيلات السطح الضوئي العصبي (Neural implicit surface representations) نموذجًا واعدًا لالتقاط الأشكال ثلاثية الأبعاد بطريقة مستمرة وغير تعتمد على الدقة (resolution-independent). ومع ذلك، فإن تكييفها مع الأشكال المتحركة (articulated shapes) ليس أمرًا سهلاً. تتعلم النماذج الحالية حقل تشويه عكسي (backward warp field) يُمثّل التحويل من النقاط المشوهة إلى النقاط القياسية (canonical points). لكن هذا يُشكل مشكلة، لأن حقل التشويه العكسي يعتمد على الوضعية (pose-dependent)، مما يستدعي كميات كبيرة من البيانات لتعلمه. ولحل هذه المشكلة، نقدّم نموذجًا يُسمى SNARF، الذي يدمج المزايا المتمثلة في التمثيل الخطي للانحناء (Linear Blend Skinning - LBS) بالنسبة للشبكات المضلعية (polygonal meshes) مع مزايا تمثيلات السطوح الضوئية العصبية من خلال تعلُّم حقل تشويه أمامي (forward deformation field) دون الحاجة إلى إشراف مباشر. يُعرّف هذا الحقل في فضاء قياسي (canonical space) غير معتمد على الوضعية، مما يسمح بالتعميم على وضعيات غير مرئية. إن تعلُّم حقل التشويه من الشبكات ثلاثية الأبعاد المُشوهَة وحدها أمرٌ صعب، لأن التقابلات بين النقاط المشوهة تُعرّف بشكل ضمني وقد لا تكون فريدة عند تغير البنية (topology). ولذلك، نقترح نموذج تشويه أمامي (forward skinning model) يُحدد جميع التقابلات القياسية لأي نقطة مشوهة باستخدام طريقة إيجاد الجذور المتكررة (iterative root finding). ونُشتق المشتقات التحليلية (analytical gradients) من خلال التفاضل الضمني (implicit differentiation)، مما يمكّن من التدريب من الطرف إلى الطرف (end-to-end) من خلال شبكات ثلاثية الأبعاد مع تحويلات عظمية (bone transformations). مقارنةً بالتمثيلات العصبية الضوئية الأحدث، يتميز نهجنا بتعميم أفضل على الوضعيات غير المرئية مع الحفاظ على الدقة. ونُظهر فعالية طريقة العمل في سيناريوهات صعبة تتضمن أشخاصًا ثلاثيي الأبعاد (بأزياء) في وضعيات متنوعة وغير مرئية.