本研究介绍了一种轻量级的不确定性估计器，能够预测多模态不确定性，并在视觉里程计中应用。通过自适应调整每个样本的不确定性估计，提高预测准确性。结合数据驱动学习和基于光流的推理，该方法优于传统深度学习方法。

本文提出了两种新颖的姿态校准框架，通过先进的3D姿态估计器和HMR序列或并行方式，有效地校准人体网格。通过非刚性姿态变换，灵活处理骨长变化，减少校准后网格中的误放置。通过数据驱动学习和几何建模的通用和互补集成，可用于各种图像/视频人体网格的恢复，并在多项基准测试中取得了最新的表现。

本文提出了两种新颖的姿态校准框架，通过先进的3D姿态估计器和HMR序列或并行方式有效地校准人体网格。通过非刚性姿态变换，可以灵活地处理骨长变化以缓解校准后的网格中的误放置。通过数据驱动学习和几何建模的通用和互补集成，可用于各种图像/视频人体网格的恢复，并在多项基准测试中取得了最新的表现。

该文介绍了一种基于深度卷积神经网络的数据驱动学习方法，用于在限角摄影术下提取和抑制FBP重建的特定伪影。实验结果表明，该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能，为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。