提出基于多视图图像 - 姿态对的深度估计新方法，使用编码器 - 解码器模型进行差异性估计，通过非参数高斯过程约束信息，提高姿态相似性使得潜在空间主题相像，用高斯过程适应性融合前几个视图生成信息，见证其运行于智能设备的实时估计方案。

Apr, 2019

本研究提出将单视角深度先验与传统三维重建系统融合，通过预测概率分布并使用代价函数最小化来提取深度图，并证明了该方法在整个系统性能方面的优越性。

Jul, 2022

本文介绍了自然图像的一种先验算法 —— 深度图像先验，它使用卷积神经网络对随机输入进行输出，通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论，该算法渐近等于一个平稳的高斯过程，这启发了贝叶斯推断的方法。通过使用随机梯度 Langevin 对后验推断实现去除过早终止的需要，并在去噪和修补任务中提高了结果表现。我们在一些一维和二维信号重建任务中验证了这些算法的实用价值。

Apr, 2019

本文提出了一种基于视点分解的新方法，可以从视觉测量中提取抽象模型和目标类别的密集物体中心坐标系，并配有密集等变标记神经网络，可以将图像像素映射到对应的目标坐标系，这种方法可以适用于肢体简单目标和人脸等可变形物体，而不需要手动监督。

Jun, 2017

本研究提出了一种新的框架，涉及到两个预测模型之间的概率融合，旨在利用它们的互补优点进行可学习的融合， 并使用自我注意图神经网络来驱动学习，通过显式地指导几何不确定性学习 DNN 的不确定性，从而学习相对于 DNN 预测的几何解决方案。该方法达到了 DeMoN 和 ScanNet 数据集上最先进的性能表现。

Apr, 2021

本文提出一种无监督视频生成模型，该模型学习给定环境中的不确定性先验模型，通过从先验分布中取样并与未来帧的确定性估计相结合来生成视频帧。该方法方便易行，能够在各种数据集上进行端到端训练，并且即使在很多帧进入未来的情况下，样本生成的结果也经过了充分的测试且清晰度较高，比现有的方法更具优势。

Feb, 2018

本文提出一种基于变分推断的高维深度学习不确定性量化方法，使用高斯过程将贝叶斯卷积神经网络先验和变分族相结合，为任意有监督的学习任务提供了预测不确定性估计，同时提供了快速训练的方法。此外，该文还提供了构建回归损失函数的充分条件，使其概率对应物与 aleatoric 不确定性量化相容。

Mar, 2020

该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

Dec, 2020

未来状态预测在与动态环境交互中对决策具有至关重要的作用。我们提出使用非参数模型以概率化的方式预测图像序列的未来图像，并通过时间传播不确定性生成预测的置信度度量。我们利用高斯过程的数据效率和在线动态训练能力来演示我们的方法，成功预测了平滑流体模拟环境的未来帧。

Jul, 2023

本文提出了一种使用深度先验知识进行解决图像重建问题的框架，该框架在去噪、去模糊以及磁共振成像的压缩感知等多种成像问题上实现了较大幅度的性能提升，并通过实验进一步解释了其优越性。

May, 2017