本研究提出了一种新的神经网络监督方法，它通过指定输出空间上应该保持的约束条件来监督神经网络。这些约束条件是从先前的领域知识中派生出来的，并能够在真实世界和计算机仿真视觉任务中有效地训练卷积神经网络，减少了对已标注的训练数据的需求，但对正确编码先前的知识引入了新的挑战。

Sep, 2016

本文提出一种基于粒子 - 边界相互作用的有效模型，构建了 Boundary Graph Neural Networks (BGNNs) 用于模拟颗粒与复杂三维物体边界的交互，实现了颗粒传输和混合熵的预测准确性，并取得了出色的计算效率和模拟精度。

Jun, 2021

本文通过提出一种名为 Singular Value Bounding (SVB) 的简单而有效的方法，约束了整个深度神经网络训练过程中的权重矩阵解，使其满足正交可行集，并在基准图像分类数据集上进行试验，得出了令人满意的成果。

Nov, 2016

本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

Dec, 2016

通过学习，我们提出了一种表示动态物体的方法，该方法由编码器 - 解码器网络和可微分的射线行进操作组成，它不需要明确重建或跟踪物体，使用了 3D 体积表示法，表现出更好的图像质量，为高分辨率应用提供了一种从表面到体积的方法

Jun, 2019

研究神经网络模型的鲁棒性认证问题，提出一种框架来限制输出标志，以使加宽限制后的问题能够通过增广 Lagrangian 方法来解决，证明了非均匀限制具有更大的体积和更好的鲁棒性，并提供了一种定量的数据 - 不可知度量输入特征的鲁棒性。

Mar, 2019

利用边界敏感度表达参数的扰动如何移动形状边界，实现几何编辑并最优化约束目标，同时不需要转换为另一种表示方法（如网格结构），可用于神经网络的训练与更新。

Apr, 2023

本研究介绍贝叶斯神经网络的实现方法，比较不同的近似推理方法，探讨如何在当前方法的基础上改进未来研究。

Jun, 2020

通过利用神经隐式扫描体模型，结合深度学习方法快速计算任务空间中任意点与机器人运动之间的有向距离，并结合几何碰撞检测器提供强大的精确性保证，实现了对商业物料拾取应用的加速。

Feb, 2024

本研究提出了一种基于神经网络的过分割和迭代合并和细化的新框架，以找到 3D 形状的一组紧密边界框。通过使用现有的无监督分割网络分割形状并获得过分割，应用具有紧密感知合并和停止标准的分层合并。最后，通过基于 MCTS 的多行动探索进一步改进界限框。

Apr, 2023