本研究提出了一种新颖高效的单目RGB SLAM系统SLAM3R，旨在实现实时高质量的稠密3D重建，具有优越的重建精度和完整性。

本研究提出了一种新方法，通过单视角图像重建手物体交互。利用基础模型的泛化能力，设计了新的管道来估计手势和物体形状，并通过优化方案提高重建精度。实验结果表明，该方法在多种数据集上表现优异。

本研究提出GD-GCN细粒度动态图卷积网络，解决了3D点云去噪在重建性能上的不足，显著提升了去噪效果和重建精度。

本研究提出了GarVerseLOD，一个新颖的数据集和框架，旨在解决服装重建技术在复杂布料变形和身体姿态下的泛化能力不足问题。通过收集6000个高质量服装模型，显著提升了重建精度和鲁棒性，实验结果表明其在真实图像中的重建质量优于现有方法。

本文介绍了一种基于深度签名距离函数的网格表述方法MeshSDF，该方法通过神经网络从稀疏3D点云中高效重建表面，显著提高了重建精度，并在多个基准测试中超越现有技术。此外，研究提出了细节增强的UDF学习方法（DEUDF），增强了几何细节的捕获能力，提升了UDF的准确性和重建质量。

本文介绍了HAnd Mesh Recovery (HAMR)框架，能够从单个RGB图像重建人手的3D网格，并探讨了透明物体的深度信息获取及手物体交互的几何关系预测。研究提出多种深度学习方法，显著提高了重建精度和操作控制能力。

本研究提出了一种从稀疏视图进行3D体积重建的新方法，采用无姿态架构和视图丢弃策略，显著提高了重建的精度和速度，适用于多种物体和场景。

本研究提出了一种通过学习无符号距离函数（UDF）进行表面重建的新方法，并结合多边形化算法提取表面。实验结果表明，该方法在合成和真实数据的重建中优于现有技术。此外，研究还介绍了SuperUDF和DEUDF等改进方法，增强了对稀疏采样的鲁棒性和重建精度。

本研究探讨了深度学习在三维物体识别中的应用，提出了一种结合多视角信息的CNN架构，显著提高了识别性能。通过多视图轴自注意力和3D Volume Transformer等新方法，减少了参数使用并提升了重建精度。研究分析了不同模型在物体分类中的表现，强调了三维信息的重要性和未来研究方向。

本文介绍了多种基于扩散模型和生成对抗网络（GAN）的超分辨率方法，如Diff-SR、SinSR和DASR。这些方法通过优化训练过程和引入新损失函数，显著提升了图像质量和重建精度，并在不同数据集上表现出优越性能。

EmerNeRF是一种新的根据神经辐射场的办法，可以通过自监督学习生成动态驾驶场景，提高重建精度和场景细节保留。EmerNeRF不需要人工标示或外部模型，可大规模生成和修改驾驭数据，适用于端到端驾驭、主动符号和模仿等领域。

本文介绍了一种基于注意力机制的深度图超分辨率网络，能够有效融合低分辨率深度图和高分辨率RGB图像的特征。通过结构引导网络和离散余弦变换网络等创新方法，提升了深度图像的重建精度和效率。实验结果表明，该方法在多个基准数据集上表现优异，具有广泛的应用潜力。

本文介绍了学习隐马尔可夫模型的方法，包括生成缺失数据位置的通用模型和两种学习算法。对这些算法在不同情况下的重建精度和鲁棒性进行了评估和比较。

本文提出了一种基于学习的模型，利用少量单目视频帧从移动的人中推断出其个性化的3D形状。该模型具有快速和准确的预测，可在不到10秒内达到5mm的重建精度。该模型仅基于合成的3D数据进行学习，可将可变数量的帧作为输入，以6mm的精度重建形状。

本文提出了一种基于学习的模型，利用少量单目视频帧从移动的人中推断出其个性化的3D形状，重建精度为5mm。该模型学习预测统计体型模型的参数和实例化偏移量，同时加入衣服和头发的形状，具有快速和准确的预测。该模型仅基于合成的3D数据进行学习，可将可变数量的帧作为输入，即使仅有一张图像，也能以6mm的精度重建形状。三个不同数据集的结果表明了本方法的有效性和准确性。