本文提出一种新的方法，可以在曲面上执行信号卷积，并展示其在各种几何深度学习应用中的效用。关键在于基于曲面定义的方向性函数，可以自然地与真实值模板函数进行卷积，并在神经网络的不同层之间保留所有旋转的信息，从而允许传播和关联定向信息。

Oct, 2018

通过在来自聚合近似后验的有限样本图中找到最短路径，我们提出了一种解决高维空间中数据相似性计算的方法，并在图像数据的多个实验中进行了验证。

Dec, 2018

利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

Apr, 2021

本文提出了一种新的潜在数据增强方法，利用无监督的学习方式在低数据量的情况下，针对生成模型中容易发散的问题进行了优化，实现了有效而稳定的训练，并生成了高质量的样本。实验结果显示，该方法在少样例学习生成任务中取得了很好的效果。

Dec, 2021

通过利用先前训练好的生成模型，通过领域自适应的方式，基于有限数量的训练数据从而实现了少样本3D形状生成，该方法能够在保持多样性的同时避免过度拟合，并通过多种度量评估了生成的质量和多样性。

May, 2023

该论文提出一种用于在少样本环境下合成新视角的算法。其核心概念是开发一种稳定的表面正则化技术，称为退火有符号距离函数(ASDF)，通过粗到细的表面退火方法加速收敛速度。与现有少样本训练方法相比，该方法能够成功重构场景并生成高保真几何图形，并且在ScanNet数据集和NeRF-Real数据集上能够以多达45倍的速度提供可比较的结果。

Mar, 2024

我们提出了GenS，一个端到端的通用神经表面重建模型，可以通过结合有符号距离函数（SDF）和可微体渲染，将多视图图像无需3D监督进行表面重建。与现有解决方案相比，我们的表示更强大，能够恢复高频细节并同时保持全局平滑性。同时，我们引入多尺度特征度量一致性，以在更具区分性的多尺度特征空间中施加多视图一致性，从而抵抗光度一致性的失效。我们还设计了一种视角对比损失，通过将密集输入中的几何先验精炼到稀疏输入中，强制模型对少视角覆盖的区域具有鲁棒性。在流行的基准测试上进行的大量实验证明，我们的模型能够很好地推广到新场景，并且胜过现有的最先进方法，即使那些使用地面真实深度监督的方法。

Jun, 2024

本研究解决了现有图像风格转移方法在保持内容一致性和风格准确性方面的局限。我们提出了FAGStyle，一种零-shot文本引导的扩散图像风格转移方法，通过结合滑动窗口裁剪技术和测地面上的特征增强实现了更好的风格控制和内容保持。实验结果显示，FAGStyle在多样化源内容和风格的应用中表现出优越性，能够有效保留源图像的语义内容。

Aug, 2024

本研究解决了现有图像风格迁移方法在文本引导下难以保持风格一致性和目标图像内容的问题。提出的FAGStyle方法通过滑动窗口裁剪技术和高斯曲面特征增强，实现了信息交互与内容一致性。实验结果表明，FAGStyle在多种源内容和风格下都能优于现有方法，保持源图像的语义内容。

Aug, 2024

该研究解决了稀疏输入下三维重建中细致几何细节捕捉不足和遮挡区域处理困难的问题。通过利用神经辐射场（NeRF）的高效特征转移，提出了一种新方法来学习准确的占据场，从而显著缩短训练时间，并在重建精度方面达到最先进的水平，尤其是在具有挑战性的稀疏输入数据和遮挡区域的场景中。

Aug, 2024