本研究提出了一种新颖的多模态和多尺度空间环境理解方案M2SE-VTTS，旨在提升视觉文本语音合成中的环境语音生成效果。该方法结合RGB和深度图像信息，利用局部与全局空间知识，实验结果表明其优于现有基线模型。

本文介绍了一种基于卷积神经网络的实时机器人抓取检测方法，性能提升高达14%，特别适用于多种抓取方式的物体。研究提出了多种改进技术，包括使用深度图像解决夹持器姿态不确定性、闭环控制器学习方法和半监督学习网络，显著提高了抓取成功率和模型准确性。

本文介绍了一种基于深度图像的类别级姿态估计新方法，利用Articulation-aware Normalized Coordinate Space Hierarchy（ANCSH）和PointNet++深度网络进行物体姿态和关节参数的预测。该方法在多个实验中表现出色，能够实现更准确的姿态估计。

本文介绍了一种新型编码器-解码器模型，结合RGB和深度图像特征，提升了语义分割的精度与效率。实验结果表明，该模型在计算成本和准确性上优于现有技术。同时，研究探讨了多任务学习和深度感知方法在语义分割中的应用，强调了深度相机在手术技能评估中的潜力。

本文介绍了一种基于3D人体参数模型的人像动画方法，旨在提高人体生成技术中的形状对齐和运动引导。该方法通过捕捉源视频中的复杂几何和运动特征，结合深度图像和语义图，生成高质量的动画，实验表明其在姿势和形状变化捕捉上具有优越的泛化能力。

本文研究了语义场景完成中的数据融合问题，提出了一种3D门控递归融合网络（GRFNet），能够自适应融合深度和RGB图像信息。通过多阶段融合策略，GRFNet在两个基准数据集上表现优异。同时，文中还介绍了实时语义场景完整方法和基于单目摄像机的DepthSSC方法，均在各自领域取得了良好性能。

这篇文章介绍了作者对生成3D照片的兴趣和相关研究成果。作者发现现有方法复杂且资源消耗大，于是找到了一个简单易用的JS库来展示3D照片。作者还介绍了获取深度图像的方法和推荐的轻量级深度估计模型。最后，作者总结了如何结合RGB图像和深度图像生成3D照片。

本文介绍了一种新的深度图像超分辨率方法，利用移动手机和Lucid Helios采集的深度图构建了一个大规模数据集，并提供了一个快速深度图超分辨率基准线。该方法在效果和效率上都有很大的提升，可以处理真实世界中的低分辨率深度图以产生更准确、清晰的边界，并在一定程度上修正深度值错误。

该研究提出了一种基于学习的方法，用于对深度图像进行积极的任务驱动压缩，并将其编码为适用于机器人系统碰撞预测的图像。通过提出一种新颖的 3D 图像处理方法，结合了机器人的尺寸，使得深度图像中表示的障碍物得到适当的“膨胀”，从而获得机器人在摄像机视锥内沿任意给定射线可行碰撞避免方式的距离。