Ce papier plaide en faveur de l'utilisation de la représentation implicite des surfaces dans l'apprentissage non supervisé basé sur les autoencodeurs pour les représentations 3D. La représentation 3D la plus populaire et accessible, à savoir les nuages de points, implique des échantillons discrets de la surface continue sous-jacente en trois dimensions. Ce processus de discrétisation introduit des variations d'échantillonnage sur la forme 3D, ce qui rend difficile le développement d'une connaissance transférable de la véritable géométrie 3D. Dans le paradigme standard des autoencodeurs, l'encodeur est contraint d'encoder non seulement la géométrie 3D mais aussi des informations sur l'échantillonnage discret spécifique de la forme 3D dans le code latent. Cela est dû au fait que le nuage de points reconstruit par le décodeur est considéré comme inacceptable s'il n'y a pas une correspondance parfaite entre le nuage de points original et celui reconstruit. Ce papier présente l'Implicit AutoEncoder (IAE), une méthode simple mais efficace qui résout le problème des variations d'échantillonnage en remplaçant le décodeur de nuages de points couramment utilisé par un décodeur implicite. Le décodeur implicite reconstruit une représentation continue de la forme 3D, indépendante des imperfections des échantillons discrets. De nombreuses expériences montrent que l'IAE proposé atteint des performances de pointe sur diverses benchmarks d'apprentissage non supervisé.