Cette thèse aborde la reconstruction de géométrie 3D précise et éditable ainsi que la synthèse d’apparence réaliste à partir d’entrées éparses, non posées ou bruitées, en combinant des représentations 3D implicites et explicites. Les champs implicites permettent une modélisation continue et flexible, mais restent coûteux et peu robustes. Les représentations explicites, comme les maillages, sont rapides à rendre et éditables, mais dépendent de données fiables. Nous explorons leur adaptation et combinaison pour une reconstruction 3D robuste et évolutive. Nous améliorons les champs implicites via un transfert d’opacité depuis des NeRFs vers des champs d’occupation, et proposons une optimisation SDF robuste adaptée aux nuages de points bruités. Pour les représentations explicites, nous développons une méthode de déformation de maillage pour la reconstruction humaine monoculaire, basée sur des descripteurs pixel-alignés et des graphes, ainsi qu’un pipeline de rendu neuronal combinant géométrie proxy et descripteurs conditionnés. Enfin, nous introduisons un cadre de Gaussian Splatting 2D généralisable pour la synthèse de vues et un pipeline sans pose pour reconstruire géométrie et caméras via splatting différentiable et priors 3D. Ces approches hybrides unifient flexibilité et structure pour une modélisation 3D robuste et pratique.