本研究提出了一种图变换器框架，旨在解决稀疏表面重建空气动力学流场的问题。该框架结合了消息传递神经网络和变换器的优点，展现出卓越的重建精度和推理速度，并对传感器覆盖率降低具有良好的鲁棒性。

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，一个新数据集和框架，旨在解决复杂布料和姿态处理中的服装重建技术不足。通过6000个高质量模型，显著提升了重建的精度和鲁棒性，实验结果表明其在真实图像中的表现优于现有方法。

本文介绍了一种模型，通过少量单目视频帧快速推断个性化3D形状，重建精度可达5mm。模型结合T姿态空间预测和双视图预测，仅依赖合成3D数据学习，能处理不同数量的帧输入，单帧精度为6mm。实验结果验证了其有效性和准确性。

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，重建精度可达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。

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。