本研究提出了StereoMamba架构，旨在提高机器人辅助微创手术中立体差异估计的准确性、鲁棒性与推理速度。通过改进特征提取和多维特征融合模块，增强了长距离空间依赖，实验结果表明其性能优于现有方法，具有重要的临床应用潜力。

本研究提出了一种仅使用RGB图像生成目标解剖结构的3D映射流程，以满足手术自动化对精确引导的需求。研究结果表明，该流程在某些指标上超越了传统RGB-D摄像头，展示了单目相机在微创手术中的应用潜力。

本研究提出了一种振动辅助的滞后补偿方法，旨在解决微创手术中腱鞘机制的滞后问题。通过施加受控振动，滞后显著降低，实验结果显示RMSE降低23.41%。结合时间卷积网络模型，MAE减少85.2%，为机器人应用提供了有效解决方案。

本研究提出了一种多任务学习网络（MT3DNet），用于在图像辅助微创手术中实现手术场景的准确检测、分割和深度估计。该网络通过对抗权重更新机制，显著提升了三维重建能力和处理效率。

该研究利用卷积神经网络分析手术视频，自动评估外科医生的技能，包括工具使用模式和运动经济性。通过深度学习方法，提出了多路径框架和时空神经网络，显著提高了手术技能评估和步骤识别的准确性，推动了微创手术的发展。

本文介绍了多种深度学习方法在手术视频分析中的应用，包括RSDNet、MTMS-TCN、FedCy、STAR-Net和SuPRA等。这些方法通过自动识别手术阶段和步骤，提高了预测准确性和识别性能。此外，OphNet数据集为眼科手术工作流分析提供了丰富的视频资源，推动了微创手术的发展。

本文提出了一种基于图像翻译的创新方法，旨在缩小机器人学习中的模拟与现实之间的差距。实验结果表明，该方法提高了任务成功率，减少了完成任务的步骤，并促进了微创手术机器人自主性的提升。

本文介绍了一种名为EndoGaussian的实时内窥镜动态重建方法，利用高斯喷洒技术实现手术场景的高质量重建。该方法显著提高了渲染速度和重建准确性，具有重要的临床应用价值。此外，研究提出了Deform3DGS和HFGS等新方法，进一步优化了动态场景重建，展示了在机器人辅助微创手术中的潜力。

EndoGSLAM是一种高效的内窥镜手术SLAM方法，结合高速渲染和组织重建，实现了100帧/秒的在线相机跟踪。该系统在内窥镜图像重建中表现出色，提升了手术过程中的可用性和重建质量，并提出了多种深度估计和动态重建方法，显著改善了微创手术的效果和精度。

本文介绍了一种名为Endo-4DGS的实时内窥镜动态重建技术，该技术基于高斯喷洒方法，能够在没有真实深度数据的情况下重建动态手术场景。通过结合时间组件和伪深度图生成，该方法显著提高了重建的准确性和效率，展示了在机器人辅助微创手术中的应用潜力。

本文介绍了一种基于随机游走的算法，通过图像分割和自监督学习实现手术阶段预测。实验结果表明，该方法在小数据情况下表现良好，适用于腔镜手术等微创手术，提高了手术阶段识别的准确性和效率。

该研究提出了一种新颖的深度估计方法，结合双目内窥镜和光流技术，优化相机姿态估计，提升微创手术中的视觉状态力估计。通过学习三维高斯表示和非刚性点云匹配，增强手术工具操作的跟踪精度。

本文提出了一种基于神经网络的手眼校准方法，简化了机器人辅助微创手术中的校准过程。该方法利用长短期记忆架构提取时序信息，通过线性组合目标函数引入微小变化，验证结果显示精度在10到20个像素以内。此外，研究还介绍了适用于无人驾驶和远程工作机器人的低成本眼手协调算法，具有良好的性能和鲁棒性。

该研究提出了一种基于A-mode超声波的骨追踪方法，应用于全膝关节置换手术，实现亚毫米级精度的骨位移测量，提升了骨科手术的安全性和效率。同时，研究探讨了3D姿势估计和手部骨骼追踪的新技术，展示了其在运动分析和微创手术中的应用潜力。