本研究提出了一种神经隐式表示的方法，用于高效可靠地预测不规则小天体的日食事件。测试结果显示，该方法在准确性上与传统技术相当，但性能更优，能够直接从稀疏轨迹数据中训练，提高预测精度。

本研究提出了一种新型混合方向参数化方法，用于解决神经隐式表示的多视角3D表面重建中的问题。该方法能够有效改善对不同材质和几何形状物体的重建效果，并且在性能上优于现有方法。此外，该方法几乎无参数，易于集成到现有神经表面重建技术中。

该研究提出了一种基于神经隐式表示和不可导函数的算法，能够从单目视频中生成任意视角和任意时间步长下的新视图。通过联合训练静态和动态NeRF，并使用正则化约束解决样本不足问题，取得了良好的实验效果。

本文介绍了一种基于神经隐式表示的 DORec 网络，通过转换 2D 自监督特征为两个粒度级别的蒙版来监督分解，包括指示前景区域的二进制蒙版和指示语义相似区域的 K 聚类蒙版，这两个蒙版互补并能在各种数据集上优秀地分割和重构前景目标。

该研究提出了一种基于神经隐式表示及不可导函数的算法，能够从单目视频中生成任意视角和任意时间步长下的新视图。通过联合训练静态和动态的NeRF，并使用正则化约束解决了样本不足的问题，实验效果良好。