- AugmenTory: 一个快速灵活的多边形增强库
数据增强是解决有限数据集挑战的关键技术之一，本文介绍了新开发的 AugmenTory 库，该库相较于现有方法在时间和空间上具备较低的计算需求，并且包括后处理阈值特性。
- GeoDiffuser：基于几何的扩散模型图像编辑
GeoDiffuser 是一种优化为基础的方法，将常见的二维和三维基于图像的对象编辑功能统一为单一方法，通过将图像编辑操作视为几何变换，并将其直接合并到扩散模型的注意力层中隐式执行编辑操作，以实现保持对象风格并生成合理图像的目标函数进行训练 - 深度学习作为 Ricci 流
深度神经网络经过一系列几何和拓扑简化来进行分类任务，而这与 Hamilton 的 Ricci 流在微分几何中平滑曲率以识别拓扑结构的过程存在对应关系。通过构建一个计算框架来量化数据通过 DNN 的不同层时发生的几何变化，我们展示了全局 Ri - MGAug: 图像变形潜空间的多模态几何增强
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。
- 基于物理信息的神经网络在转换几何和流形上的应用
将几何变换与物理约束神经网络（PINNs）结合，通过将微分同胚作为参考域的映射并调整物理约束损失函数的导数计算，我们实现了对复杂几何和低维流形的 PINNs 的应用，从而允许在网络训练中进行直接的形状优化。通过对多个问题的示例验证，特别是在 - 三维复合几何变换下的知识图谱嵌入
本研究提出了一种新的知识图谱嵌入模型 CompoundE3D，它利用了三维几何变换的复合特性，包括平移、旋转、缩放、反射和剪切，并且其多个设计变体可以匹配不同的关系类型，实验结果显示它在四个流行链路预测数据集上有明显的优势。
- 几何克利福德代数网络
本文提出了基于几何（Clifford）代数的对称群转换的几何克利福德代数网络（GCAN），并采用组合叠加的方式实现对象变换。通过梯度下降，可以实现这些层作为可调整的几何模板，用于模拟三维刚体变换和大规模流体动力学模拟，相对于传统方法，实现了 - 三维等变图形隐式函数
本文提出了一种新型的图形隐式函数族，其具有等变层，可用于捕捉 3D 几何细节并保证对各种几何变换的鲁棒性，该方法在 ShapeNet 重建任务上比现有的旋转等变隐式函数从 0.69 提高到 0.89 (IoU)，并且可以推广到其他类型的相似 - 利用几何变换的对黑盒视频分类器的对抗攻击
本文介绍了一种新的迭代算法 Geometric TRAnsformed Perturbations (GEO-TRAP)，使用几何变换来降低有效梯度的搜索空间，从而实现黑盒攻击视频分类模型。该算法在广泛使用的 Jester 数据集上的攻击成 - EMNLPBiQUE: 知识图谱的双四元嵌入
本研究提出了一种名为 BiQUE 的知识图谱嵌入模型，使用双四元数来整合多种几何变换，在多维关系图谱上表现比其他几何操作符更优秀
- ACL用几何变换表示语法和组合
本研究旨在使用几何转换编码句法图，并探讨哪种几何转换更好地编码句法关系，以增强短语级合成中的句法情境化。
- ECCV图像到图像转换的半监督范式 —— 变换一致性正则化
本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法，在图像着色、去噪和超分辨率等数据敏感任务中，表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现，同时可在视频处理任务中大幅提升质量。
- 基于空间信息引导的卷积神经网络实现实时 RGBD 语义分割
提出 Spatial information guided Convolution（简称 S-Conv）算法，将 RGB 特征与 3D 空间信息高效地集成，不会严重影响实时应用，可用于语义分割任务，实现出色的性能，并在 NYUDv2 和 S - 用于三维点云分类和分割的几何共享网络
本文提出了 Geometry Sharing Network (GS-Net) 解决了近几年对于使用深度卷积神经网络对 3D 点云进行分类时，如何处理数据的几何变换问题，实验结果表明 GS-Net 可以提高软件对于这些变换的鲁棒性。
- GIFT：基于组卷积神经网络的不变变换密集视觉描述符学习
本文介绍了一种名为 Group Invariant Feature Transform (GIFT) 的可区分性强、鲁棒性强的视觉描述符，其利用基于组的卷积提取从图像的转换版本中提取的特征信息，相对于聚合特征的方法，GIFT 对于一组变换有 - DGC-Net：密集几何对应网络
本研究针对两幅图像之间密集像素对应估计的挑战进行探讨，提出了一种基于粗到细的 CNN 框架，能够扩展光流方法的优势，解决大范围变换并提供密集和亚像素准确估计的问题，并在相对摄像机姿态估计问题上表现优异。
- CapsGAN: 利用动态路由的生成式对抗网络
本文提出了一种名为 CapsGAN 的图像生成技术，它将 GANs 和胶囊网络结构相结合，在旋转 MNIST 数据集上表现出生成高度几何变换图像方面比传统基于 CNN 的 GANs 表现更好或不逊色。作者还通过实验探究了使用 Wassers - 利用几何变换的深度异常检测
针对图像异常检测问题，提出了使用多分类模型进行训练，鉴别几十种几何变换特征以有效识别异常图像的新算法，并进行了大量实验证明了其超越现有方法的优势。
- P2P-NET：双向点位移神经网络用于形状变换
介绍了 P2P-NET，这是一个深度神经网络，可以学习两个域之间的基于点的形状表示之间的几何变换，其体系结构是一个双向点位移网络，通过从数据中学习的点对位移向量将源点集转换为具有相同基数的目标点集，并支持多种基于点的形状变换问题。
- 深度网络的几何鲁棒性：分析与提升
本文提出了一种简单且可扩展的算法 ManiFool，用于测量深度神经网络对于几何变换的不变性，进而提出了一种新的对抗训练方案以提高深度神经网络的不变性。