本研究提出了一种多相机三维目标检测方法，通过视角校正和特征渲染，实现准确检测不同视角下的目标。该方法无需额外推理成本和真实场景注释，有效地集成和部署各种模型。实验证明其有效性。

使用图卷积网络从非规则人脸图像中提取特征，提高了年龄估计的准确性并降低了 MAE 误差值。

通过引入统一时序图 (UTG) 框架，将快照和事件驱动机器学习模型统一起来，使得针对一种表示方法开发的模型可以应用于另一种数据集。在时序链接预测任务上评估了快照和事件驱动模型，发现引入 UTG 训练后，快照模型在事件数据集上能够与事件驱动模型竞争，并且推断速度更快。这些发现强调了比较模型架构时独立于数据格式的重要性，并且提出了将快照模型的效率与事件驱动模型的性能相结合的潜力。

通过调控几何建模中的互信息，消除偏差，提高表面重建质量。利用语义和几何特征识别相关点，并增强互信息。

本文介绍了一种利用高斯分布的新方法，通过稀疏视图以前馈的方式学习和呈现广义的人类高斯，实现对新的人类主题的逼真和准确的视图呈现。该方法在学习3D高斯参数时，利用了强的几何先验和2D卷积的优势，并通过多层支架的提出有效地表示偏移细节。实验证明，该方法在数据集内和跨数据集的泛化设置中优于最近的方法。

通过互补的2D扩散模型提取2D语义信息为特征，并融合为3D上下文特征表示，提出了一种新的基于深度学习的3D脑部分割方法。实验证明，该方法在仅使用一个主体的数据集进行训练时优于目前最先进的自监督学习方法，甚至在仅有九个切片和一个标注的背景区域的情况下，通过稀疏标记的最低标注要求进行的进一步实验也取得了有希望的结果。

该研究提出了多视图异常检测（MVAD）框架，通过学习和整合多视图特征，并使用邻域关注窗口实现多视图窗口之间的注意力机制。在实验中，该方法在Real-IAD数据集上取得了尖端性能，实现了多项指标的提升。

SRPose是一个用于双视图相对姿态估计的基于稀疏关键点的框架，通过使用稀疏关键点探测器、内部校准位置编码器和可提示的先验知识引导的注意力层，能够在不同图像大小和相机内参的情况下获得竞争性或卓越的性能，适合低计算资源的部署。

通过自适应前视转换和流建模的双阶段框架，提出了一种增强3D占用和流预测能力的方法。在nuScenes数据集上实验，结果表明该方法在准确性和鲁棒性方面有显著改进，展示了在真实环境下的有效性。基于Swin-Base的单一模型在公共排行榜上排名第二，验证了该方法在推进自动驾驶车辆感知系统方面的潜力。

稀疏视图CT重建研究中，3D高斯模型通过启发滤波反投影重建图像的先验信息，提高了收敛性和渲染效果。自适应密度控制进一步提高了性能，加速了收敛速度，同时能学习高频细节。在自监督学习方式下进行训练，避免了大规模配对数据的需求。实验证明，3D高斯模型比基于INR的方法性能更优。