本研究提出了一种显式编码几何结构的状态空间模型，旨在解决稀疏和非结构化几何数据处理的挑战。STREAM在点云分类和事件驱动视觉任务中表现出色，在DVS128手势数据集上达到了100%的测试精度。

本研究提出了多视图视觉提示融合网络（MvNet），旨在提高零样本三维形状识别的分类准确性。通过利用现成的2D预训练模型，达到了3D点云分类的最新性能。此外，研究还探讨了少样本物体检测、视角估计和3D重建等方法，并在多个数据集上展示了优越表现。

本文提出了一种新型卷积算子，增强了旋转不变性，提升了点云分类、分割和形状检索的精度。通过设计旋转不变特征，结合现有CNN模型，优化了图像分类任务的表现，适用于生物医学和天文学等领域。

本文提出了一种新型的零样本建筑属性提取工作流程，利用大规模视觉和语言模型减少对人工注释的依赖，提升性能和适应性。同时，研究了点云分类的挑战，利用GPT-4V实现零样本识别，设定新基准。此外，介绍了多标签人脸年龄估计和基于生成对抗网络的面部年龄进化方法，均取得了优越的效果。

本文综述置换不变机器学习方法，涵盖不变性随机特征与核方法，证明不变性可指数降低样本和隐藏单元需求，提升统计效率；同时涉及Wasserstein距离网络、扩散密度估计、语言矩阵理论、核熵估计及差分隐私核检验，并应用于点云分类、异常检测等任务。

该文综述连续域自适应（CDA）研究，提出交替训练、连续性约束和域特定队列等基线方法，以降低多域差异并泛化到未见目标域。相关方法还涉及弱监督开放域自适应、最优传输、多教师分割、TransLATE、Wasserstein度量、CDDA、增量类别域自适应、点云分类及GOAT等，均取得先进性能。

该文汇总了多个三维视觉数据集，涵盖图像分类、点云分类、多视图重建、城市点云、6-DoF姿态估计、语义分割、RGB-D目标检测、城市建模、超市分割和多视角数据集，用于推动分类、重建与机器人研究。