引入了 DeepGMR 算法，该算法是首个显式利用概率注册范例的基于学习的点云配准方法，利用混合高斯模型模拟两点云之间的概率分布，通过神经网络和两个可微计算块进行配准，从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和基于学习的配准方法更好的性能。

Aug, 2020

使用分层高斯混合模型和神经网络，提出 PointGMM 模型，既可以用于学习形状类的特征又能与输入点云相符，其生成模型可以生成一种有意义的潜在空间，这使得能够生成现有形状之间的连续插值以及合成新形状。同时，提出了一种利用 PointGMM 进行刚性配准的新框架。

Mar, 2020

该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。

Jun, 2023

本文提出了一种新的基于分层高斯混合模型 (GMM) 表征的分层多尺度点云数据表示方法，采用 GPU 并行处理计算数据分割，通过动态选择细节程度和空间分布特征来实现以上 3D 感知问题的数据关联；与之前的点云最近点迭代算法和基于 GMM 技术的算法相比，在保证 MLE 准确的前提下，实现了对数级时间的高效数据关联，能够更快速准确地处理多种类型的 3D 数据集。

Jul, 2018

通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

Mar, 2023

我们使用高斯混合模型构建了一种高效的显式表示方法，可以在短时间内优化和渲染复杂的外观，该方法能够应对高维度挑战和缺失细节，并适用于快速拟合和评估。

May, 2024

本文提出了一种用于探测数据中复杂模板的闭合曲线的密度表示方法，并构建了该方法的混合概率分布，实验证明其在一维封闭曲线情况下的有效性。

Apr, 2023

提出了一种新方法 GauMesh 来模拟和渲染动态场景，利用基于基元的渲染和 3D 高斯与网格相结合，能够更好地表示复杂的场景。

Mar, 2024

基于多个特征点的随机几何建模框架用于刚体物体位姿估计，并提供一种避免解决单个特征对应和在多视角应用中引入正确随机依赖性的方法。通过数值实验验证了该模型的有效性和对不同观测系统的适用性，包括测量分辨率、物体变形和测量噪声的影响。可以得出结论，基于混合模型的概率建模可以实现准确和鲁棒的位姿估计。

Nov, 2023

本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

Aug, 2020