本研究提出了一种新的4D高斯散射框架Deblur4DGS，旨在提升现有4D重建方法在模糊视频处理中的效果。通过将动态表示的估计转化为曝光时间的估计，实验证明该方法优于现有技术，具有广泛的应用潜力。

该研究提出了多种基于深度学习的三维语义理解和重建方法，包括变分自编码器、场景图和在线语义分割，旨在实现实时增量三维语义地图的构建与优化，以提升机器人技术和混合现实的应用性能。

本研究提出了多种基于深度学习的显微成像重建方法，有效解决了各向异性分辨率问题。通过卷积神经网络、条件归一化流和扩散模型等技术，显著提升了3D重建质量，适用于生物医学研究和临床诊断。

本文介绍了多种基于深度学习的电阻抗层析成像（EIT）重建方法，包括新型绝对电阻抗层析成像技术和Diff-INR方法。这些方法利用卷积神经网络和几何先验，提高了成像的精度和稳定性，展示了在医疗和工业领域的应用潜力。实验结果表明，这些技术在重建复杂电导率分布方面具有显著优势。

该研究提出了多种神经隐式表面重建方法，利用几何一致性和多视角约束，显著提升室内场景的重建质量。通过引入不确定性建模和深度先验技术，解决了纹理缺乏的问题，实验结果表明其在3D重建中表现优越。

本文介绍了多种形状分析和重建方法，如varifolds、分支高斯过程和Grassmann流形，探讨了在高维空间中对3D对象的建模与变形，强调了这些技术在计算机视觉和医学图像分析中的应用前景。

本文介绍了一种基于深度学习的磁共振指纹（MRF）重建方法，结合深度图像先验和布洛赫一致性，能够高效重建定量磁共振图，减少存储和计算需求。该方法通过循环神经网络和新型分析框架，显著提高了重建性能和速度，适用于多种组织属性的定量成像。

本文探讨了多种创新的磁共振成像（MRI）重建方法，特别是利用深度学习和扩散模型来提高图像质量和计算效率。研究表明，新算法和采样框架能够在不同采样设置下实现更准确的重建，降低对真实数据的需求，并在临床应用中表现良好。

本文介绍了一种基于深度学习的磁共振成像（MRI）重建方法MRF-Net。该方法通过减少维度和使用层级匹配滤波器，高效重建定量磁共振图，降低存储和计算需求。同时，ProxNet框架结合物理模型，提升了定量推断的精度和效率。这些方法在重建性能和速度上优于传统技术。

本文介绍了一种基于高斯函数的三维分割和重建方法，利用二维分割图指导三维高斯语义信息学习，提出了SA-GS和SAGA等新方法，显著提高了三维对象的分割精度和速度。

本文介绍了多种图像超分辨率重建方法，包括全频率区域自适应网络（ORNet）、Omni-SR架构、改进的残差网络（IRNet）和多尺度隐式变换器（MSIT）。这些方法通过特征提取和融合，提升了低分辨率图像的重建效果，并在不同任务中展现出先进性能。同时，研究探讨了纹理与语义的协作，以及循环神经网络在跨尺度特征相关性中的应用。

本研究提出了多种基于神经表示和运动场的重建方法，以提高动态场景的重建质量和效率。结合模型驱动与数据驱动的方法，在光流场修复和视频压缩等领域展现了优越性能，推动了相关技术的发展。

本文介绍了一种新型心脏磁共振成像（MRI）重建方法——条件去噪扩散概率模型DiffCMR，显著提高了图像清晰度和运动描绘。该方法在心动影像重建和T1/T2映射任务中表现优异，超越了以往技术，具有改善心脏疾病诊断和治疗的潜力。

本文介绍了多种基于深度学习的三维物体检测和重建方法，如3D-R2N2、MV3D和SRCN3D。这些方法通过融合不同传感器数据，提高了自动驾驶场景中的3D检测精度，优于现有技术。

该研究提出了一种自监督的HDR重建方法SelfHDR，仅需使用动态多曝光图像进行训练，可消除对有标签数据的需求。该方法通过两个互补组件来学习重建网络，分别关注HDR颜色和结构。实验结果表明，SelfHDR在真实世界图像上优于最先进的自监督方法，并与有监督方法具有可比性。

该文介绍了一种基于重建的方法，用于检测工业质量检测中的异常。该方法利用多尺度融合和残差注意力模块实现端到端的异常检测和定位，在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果，并在 MPDD 数据集上创造了新的最新标准。