- 利用物理感知卷积神经网络学习二维不可压缩纳维 - 斯托克斯方程的解算器
通过结合 U-Net-like CNN 和有限差分法领域的已建立的离散化方法，我们介绍了一种在不同几何形状中学习稳态 Navier-Stokes 方程近似解的技术，无需参数化。我们将基于物理的 CNN 的结果与基于数据的方法进行了比较，并展 - 机器学习和拓扑数据分析鉴定三维扫描中人类乳突的独特特征
通过 3D 显微扫描等技术研究舌乳头形状的几何和拓扑特征，结合机器学习等方法，揭示了舌乳头在形状和种类上的多样性、个体间的差异性，为食品偏好和口腔诊断研究提供了新思路。
- 利用单幅卫星图像进行屋顶部分的三维检测及应用于 LOD2 建筑重建
提出了一种基于遥感影像的城市三维重建方法，名为 KIBS （Keypoints Inference By Segmentation），该方法实现了在只有一张二维卫星影像的情况下，通过全深度学习实现建筑物屋顶截面的三维检测，并进行全三维重建， - 可解释的自监督变压器深入探究点云
本文研究了 transformers 在点云领域中通过自监督学习所获得的特性，探讨了其预训练方案的有效性，分析了数据数量对网络特征的影响，提出了一种解冻策略，并在分类任务中取得了最优结果。
- 使用神经场进行算子学习：解决一般几何图形下的偏微分方程
该研究论文介绍了一种名为 CORAL 的新方法，利用基于坐标的网络来解决常规几何图形上的偏微分方程问题，并展示了其在不同分辨率下的稳健表现。
- 基于变量辐射场的真实世界分类重建
利用 Variable Radiance Field 框架，通过多尺度全局特征提取器参数化物体的几何和外观，学习类别模板并使用超网络生成小型神经辐射场，实现从单张图像高效、准确地重建特定类别物体。
- StreetSurf：将多视角隐式表面重建扩展到街景
本文提出了一种新型的多视角隐式曲面重建技术 ——StreetSurf，适用于广泛使用的自动驾驶数据集中的街景图像，特别是在没有 LiDAR 数据的情况下，旨在解决街景图像中场景几何形状、纹理等问题。
- 从光线折射推导单目形状
利用 Snell 定律的简单能量函数，基于单幅背景纹理和几何信息，重构任意折射表面几何，该方法在单帧单目设置中通过模拟和实验取得了聚人心的结果。
- NeRO: 多视角图像的反射物体神经几何与 BRDF 重建
该研究提出了一种称为 NeRO 的基于神经渲染的方法，用于从采集于未知环境中的多视角图像中，重建反射物体的几何和 BRDF。该方法通过两个步骤解决了在多视角情况下反射物体重建的困难，并成功地重建出了几何和 BRDF。
- ICLR多语言语言模型的几何：一个平等的视角
研究了多语言语言模型不同语言的代表性，发现它们在欧几里得空间中是由独特的几何形状表示的，并且设计了跨语言相似性指数来度量语言之间的距离。结果表明，低资源语言在任何模型中都不如高资源语言表现得好。
- MM由随机神经网络生成的函数的非线性点
探讨了一种带 1 个隐藏激活层、任意宽度和 ReLU 激活函数的神经网络，研究了神经网络的偏差，解释了为何神经网络可能更偏好具有更简单的几何形状和为何某些低信息熵函数对于神经网络来说仍然难以近似。
- 使用目标检测技术进行数学教育游戏化
本文介绍了一种五至八岁儿童使用物理数字教学系统，通过形状拼图来掌握几何概念。 通过利用模拟数据进行神经网络训练，并使用轻量级移动体系结构，让系统能够理解用户互动并提供实时音像反馈，本研究证明了我们的系统在消费设备上运行实时并具有很高的精度 - 多尺度几何感知 Transformer 用于 3D 点云分类
本文提出了一种基于自注意力和多尺度非欧几里得几何信息的插件模块 Multi-scale Geometry-aware Transformer（MGT），通过对点云数据的局部和全局几何信息的处理，成功提高了点云任务的性能表现。
- 基于准度量学习的最优目标达成强化学习
本文介绍了一种新的强化学习（Reinforcement Learning）方法 ——Quasimetric Reinforcement Learning（QRL），该方法利用拟度量结构来学习最优值函数，与以往的方法不同，QRL 目标专门设计 - CVPRCARTO：类别和关节无关的复原关节对象
使用隐式物体中心表示法和编码器 / 解码器，提出了一种重建多个关节物体的方法，该方法可以在单个观察中推断多个未知物体的 3D 形状，6D 姿态，类型和状态，并且在虚拟和现实世界中都得到了很好的表现。
- CVPR基于运动语义和几何残留感知的蒙皮运动重定向
本研究提出了一种基于神经网络和几何形状的跨角色动作传递算法，使用距离损失函数对动作和几何属性进行建模，产生的结果在保留动作语义的同时，抑制了物体间的穿透和接触缺失，具有最新的性能表现。
- 语言的几何学
本文从几个角度综合了各种主张，提出了一种独特的语言学派，将数学几何观点引入到语法中，描述了一种基于几何学的机制，用于解释人类语言里的显著特征，并提出了一种新型的匹配方法，利用代表单词的标记链来形成句子，并匹配语法词序。最终得到的二维和三维结 - 通用扮演者混合与智能几何
本篇研究通过引入加权混合运算探究理论上的通用代理人的集体智能行为，推导出基于性能的智能度量和几何学原理，并能构建符合该原理的凸代理集和局部极值。
- 距离矩阵是否足以支持几何深度学习？
该研究提出了一种新型的图神经网络 $k$-DisGNNs，用于从距离矩阵中学习图的几何结构，实现了图结构学习和几何深度学习的统一，并证明了其高表达能力与卓越性能。
- 局部神经描述符场：用于操作的局部条件对象表示
本文介绍了一种基于局部神经描述符场（L-NDF）的方法，用于将有限数量的物体操作技能推广到未知形状类别的新物体中。通过利用对象之间共享的局部几何形状，将操作演示从旧物体有效地转移到了新物体。在模拟和实际场景中验证了我们的方法在操纵新物体方面