该文汇总多篇研究，聚焦姿态估计与3D建模，涵盖统一9DoF姿态框架、CAPE-Real任务与ReArtNOCS、Point Cross-Attention Transformer、单图运动转移、无类别姿态估计CAPE、X-Trans2Cap密集字幕、DTNet点云学习、TransPose 6D姿态、PARIS自监督关节重建等，均在基准上取得领先。

本文汇总了多项MRI加速重建研究：SubZero框架结合注意力机制与子空间零样本学习，提升T2采集效果；无监督粗到细框架缓解过拟合；深度级联网络实现23毫秒实时重建；深度网络结合不确定性量化评估重建质量；端到端变分方法在fastMRI上达到最优；变分网络与深度学习结合用于去除伪影；NF-cMRI用于心脏电影MRI高欠采样重建；PINQI融合信号与采集模型；SelfCoLearn以自监督协作方式重建动态MRI。

该研究利用扩散模型实现了逆转因成像模态的特性，解决了轴向分辨率挑战。自监督重建方法在无训练数据的情况下表现出优越性，具有生成先验的鲁棒性和优势。

该研究利用扩散模型逆转成像模态的特性，解决了轴向分辨率的挑战。通过2D扩散模型持续重建3D体积，在高度下采样数据中表现出优越性。实验证明了与监督学习方法相比，利用生成先验的鲁棒性和优势。同时，证实了自监督重建方法可以在无训练数据的情况下恢复单个各向异性体积。