本研究提出了一种基于单目视频的乒乓球击球预测系统，解决了现有系统的有效性问题。通过三维重建和控制器设计，实验表明在高速击球情况下回球率从49.9%提高到59.0%，显示出良好的应用潜力。

本研究提出了一种新框架NutWorld，旨在高效表示单目视频，解决复杂运动、遮挡和几何一致性问题。该方法通过连续的高斯原件流实现高保真视频重建和实时应用，增强了场景建模能力。

本研究提出CAT4D方法，填补了从单目视频生成4D场景的技术空白。该方法结合多视角视频扩散模型和新采样技术，实现了精准的4D重建，并在新视角合成和动态场景重建方面表现出色。

本研究提出了DroidSplat SLAM系统，解决了传统SLAM在鲁棒性、速度和准确性之间的权衡，尤其在单目视频场景中表现优异。该系统在消费级GPU上实现了快速推断，追踪和渲染效果良好。

本研究提出了UniHOI模型，旨在解决自我中心手物体交互视频中的密集点云序列重建问题。该模型通过大规模单目视频数据集进行训练，克服了标记数据稀缺的限制，显著提升了点云重建和三维场景流恢复的效果。

本研究提出了一种新的4D高斯溅射算法，有效解决了动态场景合成中单目视频的过拟合问题，并通过引入不确定性感知正则化显著提升了视频重建性能。

本研究提出了一种新方法DELTA，旨在解决单目视频中的密集三维运动跟踪问题。该方法结合全局-局部注意机制和变换器上采样器，实现了高效且精确的跟踪，速度比以往快8倍，为长期三维运动跟踪应用提供了有效解决方案。

本文介绍了一种新方法ReLoo，通过分层神经人体表示和虚拟骨骼变形模块，从单目视频中准确重建穿着宽松衣物的人类3D模型。实验结果表明，该方法在处理大幅非刚性变形时优于现有技术，能够在室内和野外视频中实现高质量重建。

本文介绍了一种基于3D高斯喷洒（3DGS）的方法，用于从单目视频生成可动画化的人物和场景。该方法在训练和推理速度上显著快于现有技术，同时保持高质量的渲染效果。研究还提出了MVSGaussian和MoDGS等新技术，有效重建动态场景并生成新视角图像，展现出卓越性能。

本研究提出了一种新方法，通过单目视频合成动态场景的任意视角图像，结合单视图和多视图深度信息，采用无监督学习和神经隐式表示，解决样本不足问题，实现高质量新视图生成，显著优于现有技术。

本文提出了一种新方法，通过2D遮挡澄清和物理接触约束，解决遮挡下的表面重建问题。测试结果显示，HO3D效果提高52%，HOD效果提高20%。该方法能够从单目视频中获取手部和物体的三维重构，适用于不同难度的数据集，并进行了量化评估。

本研究提供了首个非标记的方法来实现单目视频中的三维运动捕捉和关节骨架重建。通过卷积神经网络和低维轨迹子空间解决挑战，实现了最先进的性能捕捉结果。

该研究提出了一种基于神经隐式表示和不可导函数的算法，能够从单目视频中生成任意视角和任意时间步长下的新视图。通过联合训练静态和动态NeRF，并使用正则化约束解决样本不足问题，取得了良好的实验效果。

本研究提供了首个非标记的方法来实现单目视频中的三维运动捕捉和关节骨架重建。通过使用卷积神经网络和低维轨迹子空间解决挑战，实现了最先进的性能捕捉结果。

本研究提供了首个非标记的单目视频三维运动捕捉方法，解决了关节运动、快速运动和非刚性变形等挑战。通过卷积神经网络和低维轨迹子空间解决单目重构问题，并提出了基于表面几何的细化方法。该方法在准确性、鲁棒性和处理复杂场景方面优于先前的单目方法。

该研究提出了一种基于神经隐式表示及不可导函数的算法，能够从单目视频中生成任意视角和任意时间步长下的新视图。通过联合训练静态和动态的NeRF，并使用正则化约束解决了样本不足的问题，实验效果良好。