本文提出了一种强大的估计器，可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略，利用先前检测到的模型进行神经网络传递学习，并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集，该方法在消失点估计方面表现优异，并在多透视图下表现出优越性能。
Jan, 2020
我们提出了一种实时方法，用于从嘈杂数据中稳健地估计多个几何模型实例。
Jan, 2024
利用潜在一致性模型（LCMs）解决迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题，LCMs 通过直接预测导引反向扩散过程的 ODE 解决方案在潜空间中，实现了快速、高保真度的采样。
Oct, 2023
本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。
May, 2017
该论文提供了一种基于量化回归的方法来量化生成模型中语义信息潜空间在语义限制条件下的不确定性，从而为诸如图像超分辨率和图像完成等逆问题提供了可靠的，基于实例的，具有语义信息含义的不确定性可视化。
Jul, 2022
通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。
Jul, 2018
本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。
Aug, 2019
提出了 LS-VOS 框架，通过在训练期间引入异常知识，从而在 3D 物体检测中识别异常值，并在保持高 3D 物体检测性能的同时，改善了异常检测能力。
提出了一种基于变分自编码器框架的潜在分数生成模型 (LSGM)，通过使用潜在空间代替数据空间进行训练，使得该模型可以更加高效地生成样本且在多项任务方面取得了最先进的成果，同时在训练目标中提出多种方差约束的技术以保证其在稳定性和可扩展性上的表现。
Jun, 2021
论文介绍了一种名为 VideoLCM 的框架，它利用了一致性模型的概念，通过最小步骤高效地合成视频，同时保持高质量。VideoLCM 基于现有的潜在视频扩散模型，并结合了一致性蒸馏技术来训练潜在一致性模型。实验结果表明，VideoLCM 在计算效率、保真度和时间一致性方面的有效性。尤其值得注意的是，VideoLCM 仅需四个采样步骤即可实现高保真度和流畅的视频合成，展示了实时合成的潜力。希望 VideoLCM 能成为后续研究的简单而有效的基准。源代码和模型将公开提供。
Dec, 2023