本研究提出了一种新的点云表示方法，解决了单摄像头RGB视频的在线3D重建问题。通过实时更新点云和深度预测，减少了预测错误的影响，实验结果表明其在在线多视图立体任务中表现优异。

本研究通过自监督的几何增强任务提出了一种新颖的方法，用于提升点云表示的领域间适应能力。实验结果表明，该方法在PointDA-10数据集上表现最佳。

本论文提出了一种基于对比学习方法的新策略，用于学习强大的点云表示。该方法通过改进特征分布的紧凑性和可分性，解决了混淆问题，并设计了一个熵感知注意模块来识别异常值和不稳定样本。实验证明该方法比现有技术表现更好。

本论文提出了一种基于对比学习方法的新策略，用于学习强大的点云表示。该方法通过改进特征分布的紧凑性和可分性，解决了混淆问题，并设计了一个熵感知注意模块来识别异常值和不稳定样本。实验证明该方法比现有技术表现更好。

我们提出了几何信息神经算子（GINO），用于高效处理具有不同几何形态的大规模偏微分方程。GINO通过使用有符号距离函数和点云表示来预测车身表面的压力。与传统方法相比，GINO的计算速度提高了26000倍，并且在测试新的几何形态和边界条件时，误差率降低了四分之一。

本论文提出了一种基于对比学习方法的新策略，用于学习强大的点云表示。该方法通过改进特征分布的紧凑性和可分性，嵌入到点云分类网络中。同时，还提出了混淆易感类别挖掘策略和熵感知注意模块来解决混淆问题和识别异常值。实验证明该方法比现有技术表现更好，性能提升显著。

本论文提出了一种基于对比学习方法的新策略，用于学习强大的点云表示。该方法通过改进特征分布，细化嵌入类内紧凑性和类间可分性。同时，通过混淆易感类别挖掘策略和熵感知注意模块来解决混淆问题和识别异常值和不稳定样本。实验证明该方法比现有技术表现更好，并实现了显著的性能提升。