Nous proposons SDFDiff, une nouvelle approche pour l’optimisation de formes à partir d’images, basée sur un rendu différentiable de formes 3D représentées par des fonctions de distance signée (SDF). Contrairement à d’autres représentations, les SDF offrent l’avantage de pouvoir modéliser des formes de topologie arbitraire tout en garantissant des surfaces étanches. Nous appliquons notre méthode au problème de la reconstruction 3D à partir de multiples vues, où nous obtenons une qualité de reconstruction élevée et parvenons à capturer des topologies complexes des objets 3D. En outre, nous introduisons une stratégie multi-résolution afin d’assurer un algorithme d’optimisation robuste. Nous démontrons également que notre rendu différentiable basé sur les SDF peut être intégré à des modèles d’apprentissage profond, ouvrant ainsi la voie à des approches d’apprentissage sur des objets 3D sans supervision 3D. En particulier, nous appliquons notre méthode à la reconstruction 3D à partir d’une seule vue et obtenons des résultats de pointe.