本研究解决了光度红移估计过程中不同仪器数据融合的问题。Mantis Shrimp模型通过使用超紫外、光学和红外图像进行深度学习，成功实现了光度红移的条件密度估计，展示了其在不同数据源中良好的校准性与准确性。研究表明，早期融合与后期融合的方法性能相当，为用户提供了灵活的设计选择。

本文提出了ORACLE，这是首个用于实时及背景感知的瞬态和变量天文现象层次深度学习模型。该模型通过使用自定义的层次交叉熵损失函数在仅有一次光度观测的基础上，结合多种上下文信息，实现了高置信度的分类，且显著提高了对不同天文现象（如超新星、活动星系核等）的分类准确性，有望对天文学研究产生重要影响。

本研究通过结合光度和光谱的真实值，采用迁移学习方法，提升了红移预测的准确性，显著降低了偏差和均方根误差，增强了对更广泛星系群体的红移估计适用性。

本研究解决了在没有光谱测量的情况下，星系光度红移概率密度的误标定问题。提出的CLAP方法结合了监督对比学习和K近邻算法，通过新颖的校准过程显著提升了概率密度估计的准确性和计算效率。这一方法为天文学和宇宙学应用提供了更可靠的光度红移概率密度估计。

本研究利用深度学习技术，针对传统方法无法有效处理的大规模天文数据，预测RR莱雅星的光度金属丰度。新模型的均值绝对误差为0.0565，证明了其在处理海量数据方面的有效性。

本文提出了一种基于3D高斯喷溅（3DGS）的方法，通过深度先验和显式约束提高新视图合成的质量和效率。实验结果表明，该方法在MipNeRF-360数据集上显著提升了训练和推理性能，并在大规模场景中实现了更快的渲染和高分辨率地图生成。此外，研究还探讨了SLAM技术的改进，提出了实时高斯喷溅SLAM以优化重建质量和速度。

本文介绍了多种视觉里程计和SLAM方法的创新，包括直接稀疏视觉里程计、PL-SLAM、Photo-SLAM和Multicam-SLAM等。研究提出的新算法和数据集显著提高了跟踪精度和实时性能，解决了低纹理环境下的挑战，并展示了在嵌入式平台上的应用潜力。

本文介绍了一种基于学习的逆向渲染方法，构建了Residual Appearance Renderer（RAR），用于估计室内场景的反射率、法线和照明。该方法在三维物体重建和光照恢复方面的实验中表现优于现有技术，展现了卓越的性能和准确度。

本文介绍了GS-SLAM算法，该算法首次在SLAM系统中应用3D高斯表示，显著提升了效率和准确性。通过自适应扩张策略，GS-SLAM能够有效重构新场景几何，优化相机姿态，并减少运行时间。该方法在多个数据集上表现优异，具备高质量的3D重建和渲染能力。

本文介绍了一种基于卷积网络和混合密度网络的新方法，利用SDSS数据有效预测星系、类星体和恒星的物理参数概率密度函数。研究表明，星系分布与红移、亮度和光谱类型相关，并提出了结合深度学习技术的自动检测和分类星系的方法，显著提高了分类精度和效率。

本研究提出了一种基于神经反演渲染的多视角光度立体（MVPS）方法，能够高效估算几何形状、材料和光源，提升三维重建精度。该方法结合深度学习和图像形成模型，在不同光照条件下实现高质量的三维重建，尤其在高曲率和低可见性区域表现突出。

本文介绍了多种基于深度学习的光度立体技术，如DANI-Net和SDM-UniPS，旨在解决复杂反射材料和未知光照条件下的三维重建问题。这些方法通过神经网络实现高精度的表面法线和反射率估计，性能优于传统技术。

本文提出了一种几何光度联合对齐（GPJA）方法，通过结合几何和光度信息，精确对齐人类表情。该方法无需语义注释或对齐网格进行训练，具有整体渲染对齐策略和多尺度正则化优化，实现了准确对齐和快速收敛性。实验结果表明，该方法超越了传统的基于ICP的方法和最先进的基于深度学习的方法。在实际应用中，该方法提高了从多视角立体人脸扫描中获取拓扑一致的人脸模型的效率。

本文提出了一种新的框架来规范化神经辐射场（NeRF）在多个样本设置中的应用。该方法利用渲染深度图将稀疏的输入图像变形到未观察视角，并通过几何感知的一致性来实现NeRF的学习。同时，提出了筛除错误变形解的方法和稳定训练优化的策略。与现有的NeRF模型相比，该模型具有竞争优势。

提出一种新型双目光度立体框架，速度快，几何估计质量高。通过最小化光照变化下的法线差异和表面强度差异来学习表面和纹理。与传统方法不同，使用神经高度图和学习的BRDF进行渲染。在DiLiGenT-MV和LUCES-ST数据集上表现优异。

本研究探讨了光的偏振信息对物体姿态预测准确性的影响，并提出了一种混合模型，结合物理先验和数据驱动学习策略。实验结果表明，该设计提高了姿态准确性，适用于高反射和透明物体。同时，引入了一个新的多模式物体姿态数据集作为基准。

本文介绍了一种增强现有3D感知和6D物体姿态数据集的新方法，通过机器人前向运动学、外部红外跟踪器和改进的校准和注解过程，提出了一个多模态传感器装置，用于创建高精度的3D数据。该方法有效地克服了现有数据集的限制，并为3D视觉研究提供了宝贵的资源。