本研究提出了一种新的全高斯表示方法，有效解决了自我中心场景重建中的重叠不足和遮挡问题。实验结果表明，该方法在自我中心重建中显著优于现有技术，并在场景中心重建中表现良好。此外，研究还扩展了扩散模型，实现了3D驾驶场景的多模态生成。

本文介绍了SIXray数据集及其在安全检查中的物品检测应用，提出了class-balanced hierarchical refinement（CHR）方法，以解决X射线图像中的物品遮挡问题。研究展示了改进的检测技术，如De-occlusion Attention Module（DOAM）和选择性密集注意力网络(SDANet)，显著提高了检测性能。此外，通过引入双视角X射线数据集和辅视增强网络，进一步提升了违禁物品的检测准确率。

改进版SAM 2（SAMURAI）由华盛顿大学全华人团队提出，利用经典卡尔曼滤波器提升视觉目标跟踪能力，有效解决快速移动和遮挡问题。该方法无需重新训练，实时运行，适用于复杂场景，如打斗游戏和舞蹈表演，展现了经典技术的有效性。

本研究提出了一种新颖的逆程序建模方法，用于农业作物的3D重建，克服了现有方法在遮挡和复杂几何形状下的不足，生成完整且生物合理的3D模型，具有广泛的应用潜力。

该研究提出了Omni6D数据集，包含166个类别和4688个实例，旨在解决现有数据集类别范围窄和遮挡问题。同时引入对称感知指标，以系统评估现有算法，推动6D物体姿态估计的发展。

本文综述了多目标跟踪（MOT）的最新进展，讨论了关键方面、现有方法及其优缺点，并总结了实验结果。提出了新模型和数据集，如DEFT、DanceTrack和MotionTrack，探讨了遮挡问题及其解决方案，强调了跟踪准确性和鲁棒性的改进，为未来研究提供了方向。

本文介绍了面部表情识别技术的进展，包括深度神经网络、面部区域注意力网络和动态人脸表情数据库。研究提出了新模型和方法，解决了遮挡、姿态变化及口罩影响等问题，提升了识别性能，并探讨了伦理和隐私问题。

本文介绍了新数据集“InScope”，旨在解决自动驾驶中的遮挡问题，提升3D多物体检测和跟踪性能。研究分析了现有感知数据集，提出了多机器人协同感知数据集，涵盖多种环境和传感器，推动相关研究。还介绍了多个合成和真实世界数据集，以支持自动驾驶系统的场景理解和性能评估。

本文介绍了多种基于深度学习的人物重识别（ReID）方法，重点解决遮挡问题。MP-ReID框架利用多个人属性提示，AFPB方法通过自动生成人体遮挡模拟器应对遮挡挑战，PGFL-KD网络使用姿态信息提升特征表示，PAB-ReID框架通过部分注意机制优化特征学习。这些方法在多个数据集上表现优于现有技术。

本文提出了一种结合图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）的方法，用于在无需摄像机参数的情况下估计多人3D姿态。该方法有效处理遮挡问题，实验结果表明其在多个数据集上优于现有技术，具有实际应用潜力。

本研究报告介绍了在Egocentric 3D Hand Pose Estimation挑战赛中的工作，采用基于ViT的模型进行3D关键点预测，并提出了后处理合并多视图结果的方法以解决遮挡问题。通过测试时间增强和模型集成，方法在测试集上实现了12.21mm的MPJPE，获得第一名。此外，研究探讨了自我中心手-物体交互的挑战，提出了新算法EvHandPose，并建立了事件驱动手部姿态数据集，以提升快速运动下的姿态估计精度。

本研究提出了一种新型端到端学习框架，能够从单张图像中重建多人3D姿态，有效解决遮挡和衣着问题。实验结果表明，该方法在精度和完整性上优于现有技术，适用于社交VR和虚拟试穿等应用。

本文介绍了多种3D人体运动捕捉和恢复方法，包括利用自我注意力机制的骨架解耦技术、SportsCap和DynamicDepth等。研究表明，通过无监督学习和多模态信息可以有效提高运动捕捉的精度，并提出了新算法以解决动态物体运动和遮挡问题，从而显著提升捕捉的准确性和鲁棒性。

该论文提出了名为MACP的新框架，通过合作能力提升单一代理的感知性能，适应性强且通信成本低。研究综述了合作感知技术在自动驾驶中的应用，强调其在复杂交通环境中的重要性，尤其是解决遮挡问题。合作感知被视为智能交通系统的未来发展方向。

本文介绍了ORCTrack，一种解决多目标跟踪中遮挡问题的方法。通过引入Occlusion-Aware Attention模块和优化传输问题的Re-ID匹配块，该方法在VisDrone2021-MOT和KITTI数据集上表现出卓越性能和高运行效率。