本文探讨克利福德代数在$ ext{E}(n)$-共变扩散模型中的应用，解决了传统模型对几何信息捕捉不足的问题。通过高阶多向量子空间的扩散过程，克利福德扩散模型有效生成分子，并在QM9数据集上表现优异。

本研究提出了一种新颖的导航框架，解决了传统视觉语言模型在复杂环境中缺乏几何信息的问题。通过结合动态全球记忆模块与自我观察，提升了空间推理和决策效率，实验结果表明该方法在物体导航任务中表现优异。

本研究提出LOMA网络，解决了3D占用预测中的几何信息不足和局部交互受限的问题。通过VL感知场景生成器和三平面融合Mamba模块，有效融合视觉与语言特征，实现高效的3D语义占用预测，实验结果表明在几何和语义补全任务上表现优异。

本研究提出GLS框架，结合几何信息与实例特征，解决室内表面重建与开放词汇分割的关系，性能优于现有技术。

本研究提出了一种新的预训练方法GaussianPretrain，旨在解决自动驾驶视觉预训练中几何与纹理信息独立处理的问题。该方法通过整合这两种表示，显著提升了3D物体检测和HD地图构建的性能。

本文探讨了利用现代扩散模型架构从单个输入图像合成新视图的挑战，研究表明该方法显著优于以往技术。尽管几何信息编码方法能提升性能，但其影响相较于改进的生成模型较小。新训练方案利用单视图数据集，增强了对非领域内容场景的泛化能力。

该研究提出了一种基于纯MLP架构的点云配准网络，解决了传统方法在资源受限环境中的高计算和内存需求问题。通过离线构建几何信息嵌入，显著降低了推理时间和资源消耗，提高了点云分析的速度和可靠性。

本文介绍了多种基于单目 RGB 图像的 3D 目标检测方法，如 Center3D、VEDet 和 BEVDepth。这些方法结合深度学习与几何信息，显著提升了目标定位和深度估计的准确性，尤其在 KITTI 和 nuScenes 数据集上表现优异。

本文提出了一种基于自适应点学习的方法，用于检测非轴对齐的空中目标。该方法结合几何信息、三种有向转换函数和有效的质量评估，实验结果在多个空中数据集上表现优异。此外，介绍了基于关键点的检测器和 G-Rep 高斯表示法，均在目标检测中取得良好效果。

本文介绍了一种新方法，通过感知系统提供场景中物体的几何和语义信息，以提升机器人抓取效率。研究表明，该方法在动态环境中实现实时重建，抓取成功率超过90%。利用深度传感器和卷积神经网络，显著提高了复杂场景中的抓取规划效果。

本文提出了一种利用几何信息进行图像特征转换的方法，解决自动驾驶中的瓶颈问题，并验证了方法的优越性。

该文介绍了一种新方法，通过额外的分类器或检测器模型将图像中的隐含概念的几何信息编码到文本域中，以消除这些概念。同时，提出了一个新的图像-文本数据集，用于训练和评估。实验结果表明，该方法能够有效消除隐含概念，相比现有方法有了显著的改进。

该文介绍了一种新的机器人操作方法，通过感知系统提供场景中所有物体的几何和语义信息，并提供可行抓取，以加速操作复杂度。该方法速度快，性能优于最新技术方法。