本文介绍了一种基于真实数据的情境生成方法，用于评估自动驾驶车辆在安全和常规场景中的表现。通过时间场景图，开发了动态场景生成模型，提高了测试的可信度和有效性。研究表明，该模型在预测场景链接方面优于现有基准，显示出其在自动驾驶测试中的潜力。

我们提出了GS-LRM，一种可扩展的大型重建模型，可以在单个A100 GPU上快速从少量稀疏图像中预测高质量的3D高斯原语。模型采用transformer架构，通过多视图图像解码每像素的高斯参数，实现可微渲染。GS-LRM在Objaverse和RealEstate10K上表现优于现有方法，并可用于3D生成任务。

本文介绍了一种新的几何建模框架——神经细分。该方法通过递归细分和固定拓扑更新优化几何结构，利用神经网络预测顶点位置，学习复杂的细分方案。

本研究提出了一种新算法，通过重构问题，将数据驱动变分重建中的优化问题转化为可用原始-对偶算法求解的凸优化问题，解决了传统梯度方法在处理非光滑性时收敛慢的问题。实验表明，该方法在速度和稳定性上优于次梯度方法。

本研究针对雷达信号在环境噪声和随机运动干扰下对ECG信号恢复精准度影响的问题，提出了一个新颖的多任务学习框架radarODE-MTL，旨在增强抗噪声能力。通过引入偏心梯度对齐的优化策略，该框架能够动态调整任务特定的梯度，有效解决任务间优化冲突。实验结果表明，该框架在噪声条件下仍能提供准确的ECG信号重建，展示了在实际应用中的良好前景。

本研究解决了从欠采样加速测量中重建动态MRI图像序列的问题。我们提出了一种无监督的框架，通过利用MRI的自然几何时空等变性来进行重建，显著优于现有的无监督方法，尤其是在高度加速的动态心脏成像中。这一方法由于独立于神经网络架构，具有广泛的适用性和潜在的影响。

GauStudio是一个模块化框架，用于3D高斯飞溅建模，提供即插即用组件，便于定制流程。其混合高斯表示方法减少了户外场景伪影，改善新视角合成，实现高保真网格重建，无需微调。整体提升了建模和渲染能力。

本研究提出TIGER模型，通过时间-频率交错提升低延迟语音处理效率。TIGER大幅减少参数和计算成本，并使用新数据集EchoSet评估复杂声学环境下的表现。实验表明，TIGER在减少94.3%参数和95.3%计算量的情况下，性能优于现有最佳模型，具有巨大应用潜力。

本研究提出了一种高效的后处理方法ReM，并扩展为GReM-LNN，解决差分隐私中边际查询答案重建的效率和准确性问题。该方法在高斯噪声下确保重建一致性和非负性，显著减少误差，提高了隐私查询机制的实用性。

当前的3D GAN反演方法通常只用一个正面图像重建3D头部模型，忽略多视角信息。本研究改进了这一技术，允许同时反演多个视角，处理动态视频中的不一致性，合成一致的3D表示。结果显示，在几何精度和图像质量上有显著提升，尤其在宽视角下，并展示了3D渲染的可编辑性。