本研究探讨了RGB-D数据集中原始深度图的低质量结构问题，提出了一种新方法以提高深度恢复的泛化能力。通过增强结构不对齐多样性和引入结构不确定性模块，实验结果表明该方法在多个数据集上表现出良好的准确性和泛化能力。

本研究提出了一种DenseFormer方法，通过条件扩散模型从稀疏深度图和RGB图像生成密集深度图，显著提高了深度图预测的精度，超越了传统的深度补全方法。

本研究提出了一种结合大型语言模型与动态图表示的自主图扩展框架，克服了传统知识图谱的局限性。该系统通过迭代生成新概念与关系，构建可持续的知识网络，展示了在材料设计等领域的应用潜力。

本文提出了SharpDepth，一种新颖的单目深度估计方法，解决了传统模型生成深度图过于平滑的问题。SharpDepth在深度估计基准上表现优异，兼顾度量准确性与边界保留，展现出高质量的深度感知潜力。

本文提出了一种新方法，通过引入密集深度图来优化高斯喷洒，减轻过拟合问题。利用预训练的单目深度估计模型和多视图特征，提升了3D重建的几何性能和视觉效果。研究表明，该方法在不同数据集上表现优异，具有快速重建和高质量输出的优势。

本研究解决了深度图卷积网络在稳定性与泛化能力方面的理论理解缺口。通过系统性阐述关键因素对深度GCN稳定性及泛化能力的影响，本文提供了严谨的界限特征。研究结果可助力于开发更可靠且表现更好的模型。

本文提出了一种新颖的文本到纹理生成框架，利用深度图和文本提示生成高清晰、一致的三维纹理。该方法通过预训练的扩散模型和局部注意力机制，显著提升了纹理的一致性和视觉质量，克服了现有模型的局限性，适用于多种平台。

本文提出了一种优化高斯喷洒的方法，通过引入密集深度图来减轻过拟合问题。利用预训练的单目深度估计模型，结合稀疏特征点调整深度图，提升了3D高斯喷洒的视觉效果和几何性能。该方法在少量图像情况下表现优越，为3D重建技术的发展提供了新思路。

本文介绍了一种新颖的高清晰一致纹理生成模型，利用深度图和文本提示合成三维对象的纹理。该方法通过预训练的扩散模型和多视点同步技术，确保纹理一致性并提升几何细节，显示出在3D内容创作中的优越性，适用于多种平台且无需额外训练。

本研究提出了一种新方法，通过同时学习多个深度图，从单一X射线图像进行3D骨表面重建。该方法将重建误差从4.78毫米减少至1.96毫米，显著提高了准确性和计算效率，展示了在临床应用中的潜力。

本研究提出了一种潜在扩散模型LDM3D，能够根据文本提示生成高质量的3D图像和深度图，适用于娱乐、游戏和设计等领域。通过改进的2D条件扩散模型，增强了用户对3D内容的交互控制。PI3D框架利用预训练模型快速生成多样化的3D形状，展示了3D生成领域的显著进展。

本研究提出了一种新方法SteeredMarigold，利用稀疏深度点引导去噪扩散模型，解决RGB-D传感器捕获的深度图缺乏有效测量的问题。该方法能够在大面积缺失深度的情况下生成稠密深度地图，显著提高深度图的鲁棒性。

本文提出了一种优化高斯喷洒的方法，通过引入密集深度图来减轻过拟合问题。利用预训练的单目深度估计模型和COLMAP特征点调整深度图，结合颜色进行3D高斯喷洒优化，提升几何性能。同时，研究探讨了3D高斯喷洒的最新进展、应用及挑战，提出了新方法GaussianPro和结构感知高斯喷洒(SAGS)，在渲染质量和效率上取得显著提升。

该研究介绍了一种名为BatVision的低成本机器视觉系统，模仿蝙蝠的回声定位，能够在低光环境中实现物体的三维感知。通过深度学习和多模式融合技术，显著提升了深度估计的准确性和鲁棒性。同时，研究开发了新数据集Real Acoustic Fields，提供真实声场数据，支持音频-视觉神经声学场建模。

本研究解决了仅通过单个深度图像进行类别级物体姿态和形状估计的难题，填补了当前方法对未见领域泛化能力不足的空白。我们提出了一种新的迭代估计方法ShapeICP，无需依赖姿态注释数据，并引入了一种新的基于网格的物体活动形状模型。研究结果表明，ShapeICP在没有姿态注释数据的情况下，其性能超越了许多依赖姿态数据进行训练的数据驱动方法，为研究人员提供了新的探索方向。

本文介绍了一种名为SSCNet的端到端三维卷积神经网络，旨在通过单视图深度图实现场景的三维体素表示和语义标签。该网络采用扩张的三维上下文模块进行高效学习，实验结果显示其在语义场景完成任务上优于传统方法。此外，文中还提到基于几何信息的策略和2D图像标注训练3D模型等改进方法，在公共基准测试中表现出色。

本文介绍了多种基于深度学习和图神经网络的单细胞RNA测序数据分析方法，如图注意力网络、拓扑主成分分析和双层图表征学习。这些方法提高了疾病状态预测和细胞分类的准确性，解决了数据稀疏性和噪声问题，为生物医学研究提供了新工具和思路。

使用高级机器学习算法和集成模型，对深度学习的图神经网络在材料性质预测中的集成策略进行了深入评估，得出预测平均等集成技术显著提高关键性质（如每个原子的形成能量，能带隙和密度）的精度的结论，支持在该领域中更广泛地应用集成方法来提高预测准确性。