本研究提出了一种图注意卷积网络（GACN），旨在解决在时间变化几何条件下从稀疏数据重构流场的难题。实验结果表明，该模型在大流场重构任务中表现优异，重构误差低，能够更好地捕捉细微湍流。

该研究提出多种新方法，通过体积场景表示和可微分渲染技术，提升渲染质量与效率。这些方法包括混合体元素模型、Fuzzy Metaballs和EvaSurf，均能在移动设备上实现高效实时渲染，适用于姿态估计和三维重建等视觉任务。

MeshGraphNets是一种基于图神经网络的框架，专用于物理系统仿真。研究提出了多种深度学习方法，包括基于PointNet的流场预测和新颖的“bi-stride”池化策略，显著提升了计算效率和准确性。此外，研究探讨了复杂几何形状下的流体动力学建模及其可解释性，提出了新的几何表示方法和混合模型PI-MGNs，以解决非稳态偏微分方程的模拟问题。

本文介绍了 Surf-D 方法，一种使用扩散模型在任意拓扑结构上生成高质量三维形状表面的新方法。通过采用无符号距离场（UDF）作为表面表示，能够处理任意拓扑结构并生成复杂形状，解决了先前方法在拓扑结构和几何细节方面的限制。使用点云自编码器学习紧凑的潜在空间，并使用梯度查询来捕捉详细几何信息，提高嵌入过程的效率。通过预训练的形状潜变空间，采用潜变扩散模型获取各种形状的分布，并在多种模式下展示出出色的形状生成性能，并对无条件生成、类别条件生成、图像三维重建和文本到形状任务进行了广泛实验。