本研究提出了NeuGrasp方法，旨在解决透明和反射物体场景中机器人抓取的挑战。该方法结合背景先验和变换器，提升了在稀疏视角下的表面重建能力。实验结果表明，NeuGrasp的抓取性能优于现有方法，同时重建质量相似。

本文介绍了多种基于深度学习的机器人抓取方法，重点在透明物体的抓取技术。研究提出了新的抓取策略和网络模型，结合RGB图像和点云数据，提高了抓取成功率，并在多个数据集上验证了其有效性。通过动态场景重建和高效的物体姿态估计，显著提升了机器人在复杂环境中的抓取能力。

在「新锐论前沿」活动中，江佳齐博士将介绍新型灵巧视触觉传感器的设计及其在透明物体感知中的挑战，探讨其在机器人抓取中的应用潜力。

本研究提出了一种基于手势感知的深度恢复方法，解决了RGB-D相机在捕捉手持透明物体深度信息时的困难。该方法在性能和泛化能力上优于现有方法，并开发了基于此方法的人机交互系统，展示了其在实际应用中的价值。

本研究评估了透明物体与环境干扰的共同作用，并引入了一个包含489个图片的新型数据集。研究发现，被污染的透明物体更容易被分割，并且能够利用机器学习模型区分不同程度的污染。这为提高计算机视觉系统的鲁棒性提供了可能性。

本文介绍了一种使用廉价的RGB-D相机对透明物体进行重建的方法，通过单目物体分割和深度补全网络预测透明物体的深度，并使用基于极线引导的光流将多个单视图形状先验信息融合到一个跨视图一致的3D重建中。实验结果表明，该方法在3D重建质量上优于基准方法。

该研究提出了一种基于手持拍摄的自然光下重建透明物体的3D形状的新方法，使用显式网格和多层感知器网络的混合表示。经过实验证明，该方法可以在数据采集方面进行简化，并且可以确保重建质量优于现有技术水平。

该研究提出了一种基于手持拍摄的自然光下重建透明物体的3D形状的新方法，使用显式网格和多层感知器网络的混合表示，通过多视图剪影获得初始形状，并使用基于表面的局部MLP编码顶点位移场进行表面细节的重建。该方法可以在采集数据方面进行简化，并确保重建质量优于现有技术水平。