通过利用机器学习分析材料微结构的图像，我们引入了一种名为 FAGC（Feature Augmentation on Geodesic Curves）的方法，用于预测基于微结构的材料的力学和电子性质，从而提供了一种理解和预测材料性能的新途径。这种生成性的 FAGC 方法能够有效扩展由于材料图像标记的数量有限而导致的相对较小的训练数据集，并在 Cu-Cr-Zr 合金中展示了显著的结果，显著提高了预测电导率和硬度的准确性（R 方分别为 0.978 和 0.998），这突显了 FAGC 在解决材料科学中图像数据有限挑战方面的潜力，并为建立复杂微结构和材料性质之间的详细和定量关系提供了一个有力工具。

Apr, 2024

利用学习到的广义测地距离函数， LGGD 方法在图像处理、计算机图形学和计算机视觉领域中应用广泛，其在节点分类任务中具有改进的性能，并在真实图数据集上达到与最先进方法相竞争的结果，同时还展示了参数在图中广义测地方程中的可学习性以及新标签的动态包含能力。

Jul, 2024

基于神经特征提取器和图形结构，我们提出了一个新颖的学习系统设计框架，并使用特征空间中的几何结构进行学习问题的建模。我们通过嵌套技术设计学习算法，从数据样本中学习最佳特征，进而应用于现成的网络架构和优化器，同时我们还探讨了多元学习问题，包括条件推理和多模态学习，以及它们与经典方法的联系。

Sep, 2023

本文提出了一种称为 “测地线卷积神经网络”（GCNN）的新型神经网络，可用于处理形状相关的任务，例如形状描述，检索以及匹配。GCNN 使用局部极坐标系中的局部测地线系统提取 “补丁”，通过一系列过滤器和线性非线性算子，来学习不变的形状特征，从而获得最先进的性能。

Jan, 2015

本文提出了一种基于多模态几何变换的深度学习模型，通过学习隐空间中的变形变换，从隐含的图像变换分布中生成变形图像，进而在分类和分割任务中获得显著提高的预测准确性。

Dec, 2023

通过应用特征基于自适应数据扩充（FebAA）方法，可以提高自监督学习模型中的准确性，这基于图形对比学习和深层图形对比学习，通过维护数据关键特征和误差特征，可以有效消除数据外推问题。

Jul, 2022

使用基于几何的能量来增强几何模型的数据集，通过构建变分自动编码器的潜空间并逐步增强数据集，训练出具有几何和语义有效性的生成模型，验证了该方法的有效性和能力。

Aug, 2021

本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系，并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开，实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐，实验结果表明，该特征空间可以对图像之间产生准确的对应关系，并具有明显的推广能力。

Mar, 2021

该论文提出了一种名为 DGFA-Net 的图卷积神经网络，该网络应用多尺度感受野和基于金字塔的解码器来进行在点云上的语义分割，实验表明此方法的性能优于现有方法。

Apr, 2022

提出了一种基于学习的方法，用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络，结合一种基于功能映射表示的正则化地图提取层和损失函数，能够从比现有的监督方法少的训练数据中学习，并且比当前基于描述符学习的方法更加普适。

Mar, 2020