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。

本文介绍了一种基于神经隐式表示的3D场景分割方法，利用多视图图像特征和语义地图，通过软投票机制提升语义分割精度。同时，研究提出了在线框架以解决室内场景的V-SLAM问题，展示了在跟踪和地图绘制中的有效性。此外，利用多模态数据和深度学习模型进行密集三维重建，提高了自动驾驶中的标注准确性。

本研究提出了一种新方法，通过单目视频合成动态场景的任意视角图像，结合单视图和多视图深度信息，采用无监督学习和神经隐式表示，解决样本不足问题，实现高质量新视图生成，显著优于现有技术。

该论文提出了ObjectSDF框架，结合有符号距离函数（SDF）和语义信息，实现高保真度的对象组合神经隐式表示。实验表明，该方法在物体组合场景和单个实例建模方面表现优越。同时，介绍了ObjectSDF++和SurroundSDF等相关方法，旨在提升3D重建的质量和效率。

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。