使用 Kendall 形状流形上的正定内核提出了一个 2D 形状分析框架，该内核允许我们将形状映射到一个高维希尔伯特空间中，从而使我们能够扩展内核方法并进行形状分类、聚类和检索。

Dec, 2014

本文概述了近期关于形状分析的技术，探讨了以高维空间中的点为形状的方法，借助合适的度量计算给定形状的变形范围，进而比较与分类 3D 对象、计算对象间的平滑变形并模拟与探索形状变异。提出该领域的发展方向及应用前景，涉及数学、统计学、计算机视觉与图形学、医学图像分析等领域。

Dec, 2018

本文提出了一种面向流形训练深度神经网络的通用框架，利用切空间和指数映射，将最终输出元素在 Riemann 流形上的深度神经网络的训练问题转化为当前深度学习研究的问题，在多类图像分类和人脸图像回归上显示出改进后的性能。

Aug, 2017

我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的网格。我们方法的核心是一种谱池化技术，它建立了一个通用的潜空间，摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段，我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间，以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明，我们的方法实现了优秀的重建，并产生了比基准方法更真实、更平滑的插值。

Oct, 2023

本文提出了使用近似联合对角化算法构建多个形状的共同近似特征基，以解决独立计算不兼容导致的对多个形状的分析、综合和对应的难题，并以形状编辑、姿势传输、对应和相似性任务为例说明了所提出方法的优点。

Sep, 2012

通过拉回度量和几何角度的分析，本文首次提出了通过潜空间遍历实现图像编辑的方法，并对扩散模型的潜空间结构进行了深入研究。

Jul, 2023

本论文研究基于 Riemannian 几何的新方法，探索深度神经网络在流形之间的映射及其导致的结构，指出其 pullbacks 在其他流形上生成了诱导偏度量空间的退化 Riemann 度量，给出了这种映射的理论性质，并在实用神经网络中应用其几何框架

Dec, 2021

本研究旨在自动识别高维物理系统中低能量状态下的低维子空间，通过使用神经网络来将低维潜在向量映射到完整的配置空间，并提出了对于任意系统兴趣的训练方案，为非线性、弹性体、布料子空间以及碰撞刚性体和连杆等更一般的系统都提供了有效的解决方案，可以用于操纵、标记插值和采样等应用.

May, 2023

本文在 Kendall 形状空间中确定 Jacobi 场和平行传输，以及计算测地回归。通过 Riemannian 优化，我们可以充分利用几何形式并将计算成本降低几个数量级，从而在流行病形状数据的纵向统计分析中实现了方法学的应用，具体例子为应用于 Osteoarthritis Initiative（OAI）图像数据重建的膝骨 3D 形状，发现患有骨关节炎的受试组和发展骨关节炎的受试组与正常对照组之间在股骨形态的时间发展方面存在明显差异，这为仅使用几何数据对发生膝骨关节炎进行早期预测铺平了道路。

Jun, 2019

非等距形状对应是计算机视觉中的一个基本挑战，本文提出了一种新方法，通过将弹性薄壳的非正交外部基函数与 Laplace-Beltrami 算子的内在基函数相结合，创建了一个混合谱空间来构建功能映射，实现了在各种应用中处理复杂变形的能力，并通过广泛的评估展示了显著的改进。

Dec, 2023