本研究提出了一种新的几何感知视觉语言模型“银河行者”，旨在改善现有模型在天文现象理解上的不足。实验表明，该模型在银河属性估计和形态分类任务中表现优于现有模型，具有重要应用潜力。

本研究提出了一种几何感知生成自编码器GAGA，旨在解决高维数据生成和流形学习中的不足。GAGA通过学习扭曲的黎曼度量，建立尊重内在几何的神经网络嵌入空间，在单细胞轨迹推断中性能提升30%。

本文介绍了一种新颖的生成静态和关节3D资产的方法，利用3D自解码器框架学习属性并渲染一致的外观。该方法在无摄像头信息的情况下，通过多视角图像学习几何感知的身体表示，显著提高了姿态估计性能，并在少量标记数据下超越了传统方法。

本文介绍了几种基于几何感知的分子表示学习方法，如Galformer和Moleformer等新型Transformer架构，强调了它们在分子性质预测中的优越性能。这些模型通过结合2D和3D信息，显著提升了分子建模的准确性和泛化能力，展示了在不同任务中的应用潜力。

本文探讨了改进神经辐射场（NeRF）在少视角下表现的方法，包括几何感知一致性正则化、半监督学习和自我进化框架。这些方法通过优化训练策略和引入辅助损失，显著提升了视图合成质量。

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。该模型相比现有的NeRF模型具有竞争优势。

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学习。该方法利用渲染深度图来实现NeRF的学习，并在特征层面上鼓励几何感知的一致性。同时，还提出了筛除错误变形解的方法和稳定训练优化的策略。该模型在多个样本设置下具有竞争优势。

本文提出了一种新的框架来规范化神经辐射场（NeRF）在几个样本设置中的应用，并通过渲染深度图和几何感知的一致性来实现NeRF的学习。同时，本文还提出了筛除错误变形解的方法和稳定训练优化的策略。实验证明，该模型在几个样本设置下具有竞争优势。

本文提出了一种基于几何感知的室内定位插值算法，利用局部拓扑流形的几何属性进行点估计，提高了准确性和效率。实验结果表明，该算法优于最常用的插值方法，具有实际实用性和潜在适用性。

本文提出了一种新的框架，利用未观察视角的渲染深度图来实现 NeRF 的学习，并在特征层面上鼓励几何感知的一致性，同时允许建模视角依赖性辐射。该模型在几个样本设置下具有竞争优势。

该文章介绍了一种新的深度学习目标公式和基于几何感知的深度转换技术，能够在小训练集合的情况下实现较好的泛化能力和非线性、鲁棒性的特征转换。该方法在合成和真实数据方面表现良好，并支持使用 (K,ε)- 鲁棒性分析。