本研究提出了一种基于非参数分布的单幅图像姿态估计方法，该方法使用神经网络隐式地表示任意姿态的概率分布，并考虑了不确定性和多重对称问题。该方法在处理三维姿态复杂分布时表现优异。

Jun, 2021

在本文中，我们提出了一种方法，用于准确的相对位置预测，该方法在少量演示数据上可学习，可以跨对象类别变化进行泛化，并通过证明具有 SE (3) 等变性来解决此问题。

Apr, 2024

本研究通过使用平移及旋转等变卷积神经网络来将相机运动的表示直接归纳为特征空间，从而证明了直接学习等变特征优于学习中间表示，并表明我们的轻量级模型在标准数据集上优于现有模型。

Apr, 2022

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019

介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

Apr, 2018

该研究旨在通过引入群等变性，提高当前用于 3D 点云的神经网络的泛化和鲁棒性。在实验中，该方法表现出比其他群等变模型更优越的性能，且具有较低的复杂度和 GPU 内存占用，提升了诸如物体分类和语义分割等任务的性能。

May, 2022

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

该论文提出了一种从图像中直接学习神经场景表示的框架，通过引入一种强制要求该场景表示对于 3D 变换等变的损失函数，使得我们可以实时推断和渲染场景，并在标准 ShapeNet 基准测试上获得了很好的结果。

Jun, 2020

本文提出了一种卷积网络，它对刚体运动具有等变性。使用 3D 欧几里得空间上的标量场、向量场和张量场来表示数据，并使用等变卷积在这些表示之间映射。实验结果验证了 3D Steerable CNN 对氨基酸倾向预测和蛋白质结构分类等问题的有效性，这些问题均具有 SE（3）对称性。

Jul, 2018

本文针对 3D 图像生成开展了探索，提出了一种基于多任务卷积神经网络的通用 3D 方案。通过建立代理 3D 任务来提供训练，神经网络在完成核心问题的同时也具备泛化能力和抽象能力，并在多个场景取得了超越 SIFT 等方法的成果。

Oct, 2017