基于学习的3D重建技术，利用隐式神经表示，在物体级别以及更复杂的场景中均取得了令人瞩目的进展。本文提出了一种新型隐式表示方法——动态平面卷积占据网络（Dynamic Plane Convolutional Occupancy Networks），进一步提升了3D表面重建的质量。该方法将输入的噪声点云编码为每个点的特征，并将其投影到多个二维动态平面上。通过一个全连接网络，学习预测能够最优描述物体或场景形状的平面参数。为进一步利用平移等变性（translational equivariance），我们引入卷积神经网络对平面特征进行处理。实验结果表明，该方法在ShapeNet数据集以及一个室内场景数据集上，均在无方向性点云的表面重建任务中展现出卓越的性能。此外，本文还对所学习到的动态平面的分布特性进行了有趣的观察与分析。