Dieses Papier plädiert für die Verwendung von impliziten Oberflächenrepräsentationen im autoencoder-basierten selbstüberwachten 3D-Repräsentationslernen. Die am häufigsten verwendete und zugängliche 3D-Repräsentation, nämlich Punktwolken, beinhaltet diskrete Stichproben der zugrunde liegenden kontinuierlichen 3D-Oberfläche. Dieser Diskretisierungsprozess führt zu Abtastvarianzen in der 3D-Form, was es schwierig macht, übertragbares Wissen über die wahre 3D-Geometrie zu erwerben. Im standardmäßigen Autoencoding-Paradigma wird der Encoder gezwungen, nicht nur die 3D-Geometrie, sondern auch Informationen über die spezifische diskrete Abtastung der 3D-Form in den latenten Code zu kodieren. Dies liegt daran, dass eine Rekonstruktion durch den Decoder als unakzeptabel gilt, es sei denn, es besteht eine perfekte Zuordnung zwischen den originalen und den rekonstruierten Punktwolken. Das Papier stellt den Impliziten AutoEncoder (IAE) vor, eine einfache und effektive Methode, die das Problem der Abtastvarianzen löst, indem sie den üblicherweise eingesetzten Punktwolken-Dekoder durch einen impliziten Dekoder ersetzt. Der implizite Dekoder rekonstruiert eine kontinuierliche Repräsentation der 3D-Form, unabhängig von den Unvollkommenheiten in den diskreten Stichproben. Umfangreiche Experimente zeigen, dass der vorgeschlagene IAE auf verschiedenen Benchmarks des selbstüberwachten Lernens Spitzenleistungen erzielt.