本研究提出了GC MVSNet++模型，解决了传统多视角立体视觉方法在几何一致性检查中的不足。实验结果表明，该方法加快了学习过程，并在多个数据集上取得了最佳性能，展示了监督学习在多视角和多尺度几何一致性中的潜力。

本研究提出了一种多视角视觉提示调优网络（MVPT-NET），旨在提升乳腺X光照片中乳腺癌的检测能力。该方法基于单视图模型，创新性地适应多视图特征学习，实现高效调优，并在多机构数据集上取得了优异的检测效果。

本研究提出VideoPanda方法，解决虚拟现实中高分辨率全景视频生成的挑战。该方法通过多视角注意力层增强视频扩散模型，实现基于文本或单视角视频生成一致的多视角视频，生成的360°全景图像更真实连贯。

本研究提出了一种基于时间序列预测的多视角外科视频分析方法，解决了单摄像机录制时的视线遮挡和固定角度问题。通过选择最佳镜头序列，确保每个时刻都能获得最佳视角。实验结果表明，该方法在预测精度上优于传统方法，对外科教育和患者安全具有重要意义。

本研究提出了一种双层对比学习框架，解决了多视角多标签分类中的视角和标签不完整问题。该方法在多个基准数据集上优于现有技术。

本研究提出了一种多视角知识转移学习框架（MVKTrans），旨在解决多组学数据中的复杂相互作用和疾病异质性问题，从而提升分类性能，实验结果优于现有方法。

本研究提出了ProEdit框架，旨在解决3D场景编辑中的多视角不一致问题。通过将整体任务分解为子任务并设计调度器，ProEdit在多种场景中实现了高质量和高效率的编辑，取得了先进成果。

本研究提出了一种带有分层意见聚合的广义可信多视角分类框架，解决了视角间聚合忽视视角内信息的问题，显著提升了视角质量，展现出超越现有方法的潜力。

本研究提出了一种多视角变分自编码器（VAE）方法，旨在解决多视角数据插补中的关联性问题，有效填补缺失视角，提高分析准确性。

本研究提出了一种新算法，解决了多视角多人姿态估计的挑战，利用深度信息提升性能，实现了具有良好泛化能力的全身姿态估计，旨在促进相关领域的发展。

本研究提出了ARIC数据集，专注于教室监控图像中的活动识别，涵盖32种活动类别，支持多视角和持续学习，具有重要的教育分析与研究应用潜力。