本研究提出了一种名为DefTransNet的端到端变换器架构，旨在提高非刚性点云配准在噪声和大变形下的鲁棒性。实验结果表明，该方法在多种挑战条件下优于现有技术，为软组织外科手术提供了更准确的组织变形理解工具。

该研究提出了一种新方法，通过结合隐式形状表示和显式网格变形模型，从部分数据中重建时序一致的非刚性3D运动。该方法在处理单目深度视频的人类和动物运动序列时表现优于现有技术，尤其适用于穿着宽松衣物的对象。

本研究提出了一种新颖的变分模型，利用Bregman迭代和算子分裂方法，解决大气湍流引起的图像退化问题，算法简单高效，适用于多种场景。

本研究提出了一种自监督的二维/三维注册方法，利用群等变卷积神经网络提取旋转等变特征，解决了刚性单切片体积注册的不足。该方法在无解剖先验数据的情况下，在NSCLC-Radiomics CT和KIRBY21 MRI数据集上表现优异，绝对中位角误差低于2度，特征匹配准确率达89%。

该研究提出了一种无需训练的方法（RIGID），通过在视觉基础模型的表示空间中比较原始图像和受到微小噪声扰动的图像之间的相似性，来区分真实图像和由人工智能生成的图像。评估结果显示，RIGID 在各种人工智能生成图像和评估指标上明显优于现有的基于训练和无训练的检测器，尤其是性能平均提高了 25％以上。此外，RIGID 具有很强的泛化能力，适用于不同的图像生成方法，并对图像的损坏具有鲁棒性。

该文章介绍了一种名为RIGID的单次逆设计方法，通过随机森林的可解释性，快速生成具有所需功能行为的变形材料设计。研究表明，RIGID在声学和光学变形材料设计问题上展示了其效率和有效性，并验证了其似然估计的机制，突显了可解释机器学习在生成设计和消除大数据需求方面的潜力。

该研究介绍了一种名为RIGID的方法，通过训练对抗人类策略来构建稳健性前沿，并比较了其与专家对抗交互中确定的失败以及用户交互期间自然发生的失败。研究发现，RIGID能够提供有意义的稳健性测量，可以预测部署性能，并发现难以手动发现的人机交互故障案例。

通过VIVE3D方法，我们扩展了基于图像的三维生成对抗网络的能力，使其能够在保持身份和时间一致的同时呈现输入视频。我们提出了两个新的构建块，包括针对三维生成对抗网络的新颖GAN反演技术和借助3D GANs的固有属性和光流引导合成技术显示头部的新视图的编辑。实验结果表明，VIVE3D能够以一致的质量生成高保真度的面部编辑，并与原始视频以时间和空间一致的方式合成。