本研究提出了一种新型神经编解码器WaLLoC，旨在提高压缩学习的效率。WaLLoC结合线性变换编码与非线性降维自动编码器，显著增强高频细节的保留能力，并在多种任务中展现出优异性能，具有广泛的应用潜力。

本文介绍了多种神经隐式函数方法在表面重建中的应用，包括RegSDF、SparseNeuS和HF-NeuS。这些方法通过引入几何特征和优化策略，提高了重建质量和速度，尤其在稀疏视角下表现优越。新提出的GenS和Spurfies方法进一步提升了重建效果，能够在复杂场景中恢复高频细节。

本研究提出了一种通过添加噪声并去噪的方法，使预训练的扩散模型适应图像恢复任务。该方法通过锚点图像微调生成模型，在多个恢复数据集上表现出优越性能，尤其在个性化修复中能够保留高频细节。

我们提出了一种新颖的可动画化的三维高斯模型，用于实时渲染高保真度的自由视角人体动作。与现有的基于 NeRF 的方法相比，该模型具有更好的能力，在视频帧之间合成高频细节时没有抖动问题。我们的模型通过增强型三维高斯表示，学习外观嵌入和外观细化模型来纠正错误外观和产生匹配目标姿态的剩余高斯属性。为了使高斯仅学习到人体前景，我们设计了一种新型的 Alpha 损失来约束高斯在人体内部。实验证明，我们的模型优于基于 NeRF 的方法。