通过使用 quaternions 表示旋转，使用前向运动学来惩罚绝对位置误差，同时比较 quaternions 和 Euler 角的性能，我们提出了一种新方法 --QuaterNet，用于预测和生成 3D 人体姿势序列。经过实验证明这种方法在短期和长期预测和生成任务中都取得了良好的效果，相比于人体图像学界最新的神经策略，我们的方法被评估为非常逼真。此外，我们还发现，Human3.6M 的标准评估协议产生了高方差结果，提出了简单的解决方案。

Jan, 2019

本研究利用深度學習方法中的循環神經網路，使用四元數表示旋轉矩陣，並在預測人體姿勢時，通過直接避免產生角度誤差而避免骨骼伸展和無效配置。在短期預測上，QuaterNet 方法可以量化地提高所得到的結果，而在長期模擬方面，本研究方法的效果與近期的網路策略相當。

May, 2018

该研究提出了一种基于神经网络的方法，将传统图像定位模型的迭代优化方法替换为两个网络之间的组合，该组合由视图图形清理网络和微调网络组成。

Dec, 2019

本文介绍了一种用于学习模型的 Symmetric Matrix 表征方法，它满足平滑性和对单元四元数的置信度建模，可用于机器人感知领域中的精确旋转估计，包括 VO 和对象姿态估计。作者针对点云数据和图像数据进行了实证验证，并证明该方法可有效提高对未知环境及图像的鲁棒性。

Jun, 2020

使用旋转矩阵法进行端到端的头部姿态预测，通过引入连续 6D 旋转矩阵表示法和地理损失方法来有效学习头部旋转外观并克服当前最先进方法的限制，从而大幅提高头部姿态预测的范围和稳定性。

Sep, 2023

提出一种基于深度神经网络的 End-to-end 方法，称为 EAR-Net，用于从多视角图像中估计绝对旋转，并在三个公共数据集上表明 EAR-Net 在准确性和速度方面明显优于现有方法。

Oct, 2023

我们提出了一种简单而有效的方法来估计闭源深度神经网络图像分类模型的不确定性。通过创建多个转换版本并使用它们来查询闭源模型的顶级预测，我们的方法能够在不确定性估计方面显著提高校准度。通过实证结果和直观的理论分析，我们阐明了自然转换优于高斯噪声的卓越性能背后的原因，并利用这些洞察力提出了一种进一步改善校准结果的迁移学习方法。

May, 2024

本文提出一种新颖的概率深度学习模型，通过使用 von Mises 分布预测物体位姿角度的分布，可用于不确定性量化，同时在不同质量的图像下也有较强的鲁棒性，经实验证明其具有竞争力的精度和预测能力。

May, 2018

本文提出一种采用局部和全局旋转平均法的混合方法，结合快速的视图图滤波预处理，解决 3D 重建中的精度和准确性问题，并将此方法应用于增量式运动结构，从而将此方法的实用性提高到很高的程度，实验表明，此方法可以有效地纠正糟糕的相机姿态和减小漂移。

Jan, 2021

使用多级预测管道，通过图像序列估计和预测三维旋转动力学，采用物理信息神经网络模型，并在旋转对象的合成图像序列数据集上展示了其有效性，包括正方体、棱柱和卫星等物体的未知均匀和非均匀质量分布。

Aug, 2023