本文介绍了一种新方法ReLoo，通过分层神经人体表示和虚拟骨骼变形模块，从单目视频中准确重建穿着宽松衣物的人类3D模型。实验结果表明，该方法在处理大幅非刚性变形时优于现有技术，能够在室内和野外视频中实现高质量重建。

本文探讨了利用3D高斯模糊技术进行动态人物和城市场景的重建与渲染，提出了HumanGaussian和GaussianBody等新方法，以提高渲染质量和训练速度，并解决动态重建中的非刚性变形问题。实验结果显示，这些方法在复杂场景和多相机系统中表现优异，实现了实时高质量渲染。

本文介绍了一种新颖的运动分解 Transformer (ModeT)，用于医学图像配准中的非刚性变形估计，显著提升了配准性能。研究通过深度编码器-解码器网络学习图像外观与配准参数的映射，减少计算时间，并创建了贝叶斯概率版本的网络以评估变形场的不确定性。这些方法在多个临床数据集上验证了其优越性，推动了医学图像分析的进展。

本研究提供了首个非标记的单目视频三维运动捕捉方法，解决了关节运动、快速运动和非刚性变形等挑战。通过卷积神经网络和低维轨迹子空间解决单目重构问题，并提出了基于表面几何的细化方法。该方法在准确性、鲁棒性和处理复杂场景方面优于先前的单目方法。