该研究探讨了神经网络的对抗鲁棒性，提出了多种训练方法，如最大间隔对抗训练（MMA）和子空间对抗训练（Sub-AT），以增强模型在对抗攻击下的鲁棒性。研究引入了双层博弈框架和超空间投影防御机制，显著提升了模型性能和稳定性。此外，针对对抗训练导致的准确性下降，提出了切向方向引导的对抗训练（TART）方法，结合几何特性改善鲁棒性。

本文介绍了一种名为PoNQ的新型可学习网格表示方法，通过局部样本点、法线和误差度量获取全局网格，保持拓扑和几何特性，能处理开放表面。通过学习的网格预测，展示了PoNQ的有效性，超过了最近的研究技术。

该研究提出了一种新方法，通过估计拍摄图片的几何、材质特性和环境光照来数字化真实世界物体。研究使用了基于图像的光照分数和逼近方法，并利用高效蒙特卡洛采样的正则化器来建模预集成光照。实验结果表明，该方法在估计场景的几何、材质特性和光照方面效果显著。