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。

本研究提出了一种新模型，结合光度和光谱数据，利用迁移学习方法，克服了传统机器学习在红移预测中的局限性，有效降低了偏差和均方根误差。

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。

本研究采用深度学习技术预测RR莱雅星的光度金属丰度，克服了传统分析方法在大规模天文数据处理中的局限性。新模型的均值绝对误差为0.0565，证明了其有效性和潜在影响。

本研究探讨了在大规模数据集上训练高参数3D高斯喷溅模型的可能性，提出了RetinaGS模型并行训练方法，提升了训练分辨率和重建质量。在全矩阵城市数据集上，首次成功训练了超过十亿图元的3DGS模型，效果良好。

本研究提出了一种新方法，将在线光度校准与混合视觉SLAM结合，解决光照变化导致的像素强度不一致问题。经过光度校准的H-SLAM在多个数据集上表现优于现有系统，显示出在动态光照条件下的稳定性和准确性。

本研究提出了一种新颖的基于物理的光度束调整（PBA）方法，解决了非朗伯环境中的光度不一致性问题。该方法引入了与材料、光照和光路径相关的权重，能更准确地估计相机姿态和3D几何体。研究结果显示，该方法在准确性方面优于现有方法。

本文提出了一种新的神经反向渲染方法，通过联合优化光源位置和计算间接照明来消除自阴影和相互反射的影响，实现精确的材料分解。实验结果表明，该方法在反射率分解方面超越了现有的最先进技术。

本文介绍了GS-SLAM算法，使用3D高斯表示方法实现了同时定位与地图构建系统中的更好平衡。该算法通过自适应扩张策略重构新观测到的场景几何，并改善先前观测区域的建图。在位姿跟踪过程中，使用了从粗到细的技术来选择可靠的3D高斯表示，以减少运行时间并实现强健的估计。该算法在Replica和TUM-RGBD数据集上具有竞争力的性能。

研究人员开发了一种生成式人工智能方法，可以预测光学星系光谱，推断速度色散和活跃星系核的存在。该方法在大规模光度调查中获得科学上有趣的星系属性。

本文介绍了一种新颖、高度实用的双目光度立体（PS）框架，通过最小化光照图像估计的法线差异和渲染表面强度与观察图像之间的差异，学习可微表面和纹理表示。该方法在双目立体设置和新的双目光度立体数据集上取得了最先进的性能。

SDM-UniPS是一种突破性的光度立体网络，可恢复复杂的表面法线图，适用于各种采集条件和非受控环境。该方法通过扩展网络和使用新的训练数据集，在评估中表现出色。

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。