该论文介绍了一种利用数学模型自动生成无人机飞行轨迹，全面准确地扫描物体表面，从而生成高保真的3D模型。作者使用了覆盖度等数学原理，进行路径规划，可以自动权衡机器人特性和覆盖度，有效避免撞墙等情况。

May, 2017

本研究提出一种基于深度强化学习的自主建模人工群体的方法，以解决手动创建过程时间复杂且不切实际的问题。该方法通过对静态和动态障碍物及阻力的建模，实现了多目标追踪和鲁棒群体形成，而采用的策略包括动态群体管理、避免障碍与追踪对象及岛屿建模。创新的基于策略的深度强化学习算法取得了显著的结果，表明该方法在复杂环境下显著提高了群体导航和追踪多个目标的能力。

Feb, 2022

我们提出了一种可扩展的数据生成流程，以应用于空中自主飞行。该流程利用自适应层次域随机化方法为无人机轨迹生成之前的环境基础地图上的资产创造无类型分布空间，通过障碍物生成和全局参数随机化扩展多样性，以自动产生多样且逼真的模拟场景配置和数据集，以便更好地推广到真实情况下的模型。

Nov, 2022

本文介绍了一种新型的优化算法DroNeRF，用于通过少量图像实现单目相机无人机在物体周围自主定位，实现实时三维重建。文章使用Neural Radiance Fields或NeRF，以只依赖于物体几何学而不使用任何外部定位系统的方式计算单个无人机的最佳姿态，并评估了生成的新视图的质量，表现出更好的感知度。

Mar, 2023

基于分治法的点云生成框架，通过基于可学习先验的补丁生成器和点块转换器，实现了高保真度点云生成，并在ShapeNet数据集上优于最新的高保真度点云生成方法。

Jul, 2023

通过与嵌入式组合优化求解器集成的深度生成模型，我们提出了GenCO框架，旨在发现与非线性目标一致的高质量解决方案，解决了传统的生成模型和优化求解器在遵循离散/组合约束和惩罚偏离方面的困难，以生成多样的、高质量的解。

Oct, 2023

视觉计算领域因生成人工智能的出现而快速发展，介绍了扩散模型的基本数学概念、稳定扩散模型的实现细节和设计选择，以及包括个性化、条件设定、反转等在内的这些生成人工智能工具的重要方面的综述。此外，它还对基于扩散的生成和编辑的迅速增长的文献进行了全面的概述，按照生成介质的类型进行分类，其中包括2D图像、视频、3D对象、运动和4D场景。最后，我们讨论了可用的数据集、度量标准、开放性挑战和社会影响。这个综述为研究人员、艺术家和从业者提供了一个直观的起点来探索这个令人兴奋的主题。

Oct, 2023

CLIPSwarm是一种基于自然语言的自动建模蜂群无人机编队的算法，通过迭代方法找到与提供的词最匹配的编队，并通过CLIP编码来衡量描述和视觉表达之间的相似性，最后赋予机器人无碰撞运动的控制动作，实现更加有效的视觉表达，并展示了算法的多样性和准确地从自然语言描述中建模机器人编队的能力。

Mar, 2024

利用无人机成群的模仿自然成群行为提高传感孔径，并通过适应当地条件的孔径来增强采样，使得检测和跟踪重度遮挡目标变得可行；通过应用于综合孔径积分图像的异常检测对于密集植被如森林是强健的且不依赖预训练类别；我们的自主群体搜索环境中未知或意外的事件，并在于不断调整采样模式以优化当地视野条件的同时追踪它们；在六架无人机的现场实验中，我们实现了0.39米的平均位置精度，93.2%的平均准确度和95.9%的平均召回率；在图像集成过程中有效地包括传感噪声，消除了对高维参数空间的计算密集型优化的需求；最后，我们提供了一个完整的硬件和软件框架，支持低延迟传输（大约80毫秒往返时间）和快速处理（大约每个形成步骤600毫秒）大量（70-120 Mbit/s）的视频和遥测数据以及多达十架无人机的群体控制。

Jul, 2024

本研究针对点云生成中的效率和多样性问题，提出了一种新颖的点云U-Net扩散架构。该模型结合了高分辨率点表示和稀疏体素的计算效率，显著提高了生成速度并在多个任务中表现出色，展示了在大规模数据集上的可扩展性和高质量生成的潜力。

Aug, 2024