该论文描述了一种从多个视角观察下推断被叶子遮盖的三维植物分支结构的方法，通过概率框架下的分支结构概率推断，使用图像到图像翻译技术应用于多视角图像，生成代表不能直接观察到的 3D 分支模式的植物 3D 模型，与以前的几何方法相比证明了其方法的实用性。

Apr, 2018

本研究结合贝叶斯非参数模型高斯过程和狄利克雷过程，创新性地在高斯过程的基础上引入结构化时间序列数据模型，以及加速新型的狄利克雷过程变分推理算法，可用于优化我们的方差逼近。生物时间序列应用实例中，我们的模型更好地捕获了数据的显著特征，提高了与现有生物分类的一致性，同时推理算法提供了 EM 变分推理的两倍速度。

Jan, 2014

通过提取内外部几何特征，DeepBranchTracer 方法实现了对含有复杂拓扑和模糊图像证据的曲线结构的重建，具有优越的准确性和连续性。

Feb, 2024

通过引入神经参数高斯（NPGs）模型，本文通过两阶段的方法来重建动态物体，即先学习对象的变形，再通过优化三维高斯模型来获得高质量的物体重建，从而在新视角中保持三维一致性，并在少量多视图线索的挑战性场景中取得优越的结果。

Dec, 2023

本文提出了一种基于模拟驱动的反推算法来模拟树枝的联合动力学，通过学习分支动力学和获得操作可变形植被的能力来帮助解决果实采摘等容易被遮挡的任务，在密集植被中进行导航。我们的非参数推断算法通过基于 Stein 可变梯度下降的神经网络驱动自适应学习的联合先验，通过有限差分方案的梯度逼近，将统计模型、参考轨迹和贝叶斯形式结合起来，实现了弹簧参数后验概率密度估计，可以准确预测变形轨迹，量化估计不确定性，并且具有强的鲁棒性，适用于存在异方差传感器噪声的情况，并且可以泛化到未见过的抓握位置。

Jun, 2023

提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。

May, 2019

本文提出了第一个使用高斯过程的非参数贝叶斯模型，在不用网格化域或引入潜在稀化点的情况下对泊松点过程进行推断。我们设计了 MCMC 采样器，并展示了我们的模型在合成数据和实际数据上比竞争模型更快，更准确且生成的样本更少相关性。最后，我们证明我们的模型容易处理先前未考虑的数据规模。

Oct, 2014

通过应用渐进传播策略，并利用场景的先验知识和块匹配技术，我们提出了一种名为 GaussianPro 的新方法，来指导 3D 高斯聚类的密度化，验证实验证明了我们的方法在大规模和小规模场景上的有效性。

Feb, 2024

使用单个单目视频，通过引入动态高斯网格（DG-Mesh）框架，可以重建出高保真度和时态一致的网格结构，并实现动态对象的纹理编辑。

Apr, 2024

提出了一个使用可变形的 3D 高斯散射方法对动态场景进行重建和渲染，在实时渲染的速度和渲染质量方面优于现有方法。

Sep, 2023