本文探讨了随机放缩和动量方法在非光滑非凸优化中的应用，特别是在神经网络训练中的影响。研究表明，使用指数分布的随机缩放更新可以优化复杂的损失函数，提高收敛性。同时，随机动量算法能够更快地逃离鞍点，理论分析验证了其有效性。

该研究提出了一种新方法，使用非中心采集系统和神经网络从室内全景图中恢复放缩的三维布局。实验证明，该方法可以解决曼哈顿和亚特兰大环境中的问题，并恢复房间的度量尺度，无需额外测量。这是首个在非中心全景图上使用深度学习恢复放缩布局的工作。