本研究提出了一种潜在分子扩散模型（LMDM），旨在解决3D分子生成中的多样性不足和几何特征匮乏的问题。该模型通过捕捉原子间的力和局部约束信息，确保生成的分子具有丰富的几何特性，从而提高样品质量和模型收敛速度。

本研究通过流形学习分析深度变换器模型在时间序列预测中的应用，探讨模型的潜在表示与低维流形的关系，发现各层几何特征与模型性能相关，为新型深度预测神经网络设计提供启示。

本研究使用卡坦移动框架探讨数据流形的几何特征和Riemannian结构，填补了解释神经网络输出与输入几何关系的研究空白。实验揭示了神经网络响应和输出类别的可达性，为可解释的人工智能工具提供了新的数学依据和潜在影响。

本文介绍了多种神经隐式函数方法在表面重建中的应用，包括RegSDF、SparseNeuS和HF-NeuS。这些方法通过引入几何特征和优化策略，提高了重建质量和速度，尤其在稀疏视角下表现优越。新提出的GenS和Spurfies方法进一步提升了重建效果，能够在复杂场景中恢复高频细节。

本文介绍了多种基于3D高斯喷涂的场景重建和动态视图合成方法。GS-W方法通过引入独立特征和自适应采样，显著提高了渲染速度和质量。Wild-GS优化了无约束照片集合的3D高斯粒子着色，提升了渲染效率。新提出的3D几何感知可变形高斯喷洒方法通过融合3D几何特征改善动态重建。这些方法推动了3D高斯喷涂技术的发展。

本文介绍了多种基于拓扑和几何特征的3D数据表示比较方法，包括拓扑距离、改进的神经UDF学习和SDFDiff形状优化。这些方法在计算机视觉和自然语言处理领域中应用，显著提升了模型的保真度和优化效果，尤其在3D重建和分割算法中表现突出。

本文介绍了多种新型模型在点云学习和医学图像分割中的应用。PointRWKV模型通过全局处理提取几何特征，SegMamba在3D医学图像分割中表现优异。Mamba模型在序列处理上速度快，适用于多模态任务。TA-LoRA方法提升了多任务学习性能，U-Mamba结合卷积和序列模型的优势，优化医学图像分析。

本文介绍了多种基于深度学习的点云去噪和处理方法，如IterativePFN、特征保留法线估计和PointNet架构。这些方法在高噪声条件下表现优异，能够有效去除噪声并保留几何特征，在3D重建和流场预测中显著提升性能，实验结果显示其在点云处理领域达到了最先进水平。

本文探讨了表面重建中几何特征保留的挑战，提出了一种数据驱动的方法，通过优化算法和深度学习技术，实现高分辨率3D形状的可伸缩重建。研究包括加权社区聚类算法、离散曲面总曲率测量方法及可学习网格表示方法，展示了在准确性和效率上的优势。

本文介绍了核密度估计及其在置信区间、几何/拓扑特征方面的新进展，讨论了KDE属性、收敛速率、密度导数估计和带宽选择等内容，介绍了置信区间/带的构造方法和处理偏差的方法。最后，讨论了最近使用KDE推断密度函数的几何和拓扑特征的进展，以及用KDE估计累积分布函数和接收操作特征曲线的方法。

通过使用高清地图，设计了一种单级探测器，能够提取几何和语义特征，并提出地图预测模块，从而提高三维物体探测器的效能和稳健性。实验证明该探测器在有无地图情况下优于现有技术水平，每秒20帧的运行速度。

该文介绍了一种基于深度到图像扩散模型提取的中间特征和几何特征的图像到点云配准方法。该方法在三个公共室内外基准测试上表现出色，平均提高了20.6％的内点比率、三倍的内点数目和48.6％的配准召回率相比现有最先进方法。

该研究提出了一种基于深度到图像扩散模型的图像到点云配准方法，通过提取中间特征和几何特征来建立可靠的对应关系。在三个基准测试中，该方法相比现有最先进方法平均提高了20.6％的内点比率、三倍的内点数目和48.6％的配准召回率。

本文介绍了一种利用高清地图提取几何和语义特征的单级探测器，并提出了一个地图预测模块，可以实时估计地图。实验结果表明，该探测器在有无地图情况下均优于现有技术水平，且运行速度达到每秒20帧。