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。

本文提出了一个高效的三维服装化身重建框架，通过优化和学习相结合，实现从单个图像中高保真度的服装化身重建。使用隐式模型学习人的形状，通过优化估计非刚性变形来细化表面细节，使用超级网络生成良好的初始化，加速优化过程的收敛。实验证明该框架成功地为现实场景中的任意穿着的人类产生了高保真度的化身。

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。