本研究解决了结构药物设计中的几何建模问题，提出了VLB-最优调度策略，优化了变分下界，显著提升了分子建模效果，PoseBusters的通过率达到95.9%。

本文介绍了一种新方法，通过结合单视图和多视图深度，从动态场景图像中合成任意视角和时间的图像。研究探讨了深度学习在立体视觉中的应用，提出了新型网络和神经渲染方法，并展示了在新视角合成和几何建模中的最新成果。

UCSG-Net是一种无监督学习模型，结合模糊逻辑和神经网络，提升了CAD软件中的几何建模性能。研究探讨了模态操作符在模糊几何逻辑中的应用，并提出了新的隐式表示方法，以从2D和3D数据中恢复CSG表示，推动相关技术的发展。

该研究提出了一种自下而上的3D形状识别系统，结合自监督学习和图像到3D形状模块，实现高精度的3D形状重建。利用深度学习和几何建模技术，生成可解释的3D形状程序，适用于计算医学等领域，提升样本效率和细节保留。

本文介绍了一种新颖的神经隐式建模方法，通过多种正则化策略实现了大型室内环境的更好重建。该方法利用稀疏但准确的深度先验将场景锚定到初始模型，并引入了一种密集但精度较低的深度先验，以改善几何建模的估计。同时，还提出了一种自监督策略来规范估计的表面法线，并引入了可学习的曝光补偿方案以适应复杂的光照条件。实验结果表明，该方法在具有挑战性的室内场景中产生了最先进的3D重建结果。