점군(point cloud)에서 형태 재구성에 기반한 새로운 학습 방식을 탐구한다. 이는 최근 인기를 끌고 있는 은닉 신경형 형태 표현(implicit neural shape representations)을 기반으로 한다. 본 연구에서는 문제를 특징 공간(feature space) 내에서 은닉 신경형 부호 거리 함수(signed distance function)에 대한 소수의 예시(few-shot) 학습으로 재정의하며, 이를 기울기 기반 메타학습(gradient-based meta-learning)을 통해 해결한다. 입력 점군을 기반으로 컨볼루션 인코더를 사용하여 특징 공간을 구성하고, 은닉 디코더는 이 특징 공간 내에서 표현된 점들에 대해 부호 거리 값을 예측하도록 학습한다. 소수의 예시 학습(few-shot learning) 관점에서, 입력 점군을 타겟 형태 함수의 영수준집합(zero level set)에서 샘플링된 데이터로 간주하여 지원 집합(support, 즉 맥락)으로 설정함으로써, 디코더가 단 5단계의 조정(tuning)만으로 해당 맥락의 기저 형태에 적응할 수 있도록 학습한다. 따라서 본 연구는 처음으로 두 가지 유형의 은닉 신경망 조건화 메커니즘인 특징 인코딩(feature encoding)과 메타학습을 동시에 통합한다. 수치적 및 질적 평가 결과에 따르면, 희소 점군에서의 은닉 재구성 맥락에서 제안하는 전략, 즉 특징 공간 내 메타학습이 기존 대안들—특징 공간 내 표준 지도 학습(supervised learning) 및 유클리드 공간 내 메타학습—을 모두 상회하며, 동시에 빠른 추론 성능을 제공함을 입증하였다.