通过 Dynamics-Guided Diffusion Model 生成操纵性机器人的几何设计，利用目标交互配置来指导设计优化过程以及加强数据驱动方法在机器人结构设计中的应用。

Feb, 2024

本文提出了 DexDeform，这是一种从人类示范中抽象出熟练操作技能并通过可微分物理学进行改进的原则性框架，该框架旨在学习多指手指对可变形物体的熟练操作，并通过新颖的探索策略以及基于想象的行动计划来提高操作的成功率。

Mar, 2023

该论文介绍了一种基于深度强化学习的方法，其中使用奖励函数、经验重放和知识迁移等技术使机器人学会在模拟和真实环境中进行高效的三指夹爪操作，实现了对立方体的目标导向运动和姿态控制。

May, 2022

本文提出了一种新颖的生成静态和关节 3D 资产的方法，其中核心是一个 3D 自解码器框架，将目标数据集中学习到的属性嵌入潜在空间，然后通过解码来渲染具有一致性的外观和几何体积表示；在不需要摄像头信息的情况下，通过学习来进行更加高效的训练，实现了在各种基准数据集和指标上超越同类别替代方法的影响力。

Jul, 2023

运动扩散模型通过运动潜变量的一致性训练提高运动生成性能，使用概率流常微分方程表达扩散过程，引入量化约束优化运动潜变量表示，提出条件生成方法并节省大量时间成本，实验结果表明该模型具有最先进的性能和较低的时间成本。

May, 2024

使用潜在扩散模型 (LDM) 实现了对高分辨率 3D 医学数据的强健异常检测，与使用潜在转换模型 (LTMs) 的方法相比，LDM 方法表现更好、对潜在表示更不敏感、内存缩放更合理以及生成更好的空间异常图。

Jul, 2023

基于视图空间和潜在扩散模型的 3D 感知图像合成方法，通过压缩潜在表示学习图像的 3D 结构，实现高质量的 3D-consistent 图像合成，无需多视角或 3D 几何的直接监督，不依赖于规范化的相机坐标。

Nov, 2023

本文介绍了一种新型的导向方法：基于扩散梯度的直接扰动优化法 (DOODL)，通过优化扩散潜变量来实现导向，结果显示，相较于一步分类器导向，DOODL 在多种形式的导向中都具有更高的性能和效果。

Mar, 2023

提出了一个新方法，通过结合 Koopman 操作符和动态运动原理与示教学习，将非线性动力系统投影到线性潜在空间中，从而实现复杂动作的解决方案。

Dec, 2023

本研究介绍了一种用于发现概念的新颖框架 CDCT，通过潜在扩散的对偶轨迹，在黑盒模型中发现决策相关的概念，从而在各领域应用可靠的人工智能和进一步发展人类知识方面迈出了一步。

Apr, 2024