- Real2Code：通过代码生成重建关节物体
通过代码生成，使用 Real2Code 方法对关节物体进行重建，超过先前最先进的重建准确度，并且在训练集的结构复杂性之外，首次对具有多达 10 个关节部件的物体进行重建。
- 受控形变先验下的服装篡改重构
通过添加基于扩散的形变先验来建模衣物的形状，并利用隐式缝合图案（ISP）模型，从不完整的三维点云中恢复三维衣物形状，实验结果表明我们的方法在处理衣物的非刚性变形时具有更高的重建精度。
- CVPR无符号正交距离场：多样化 3D 形状的准确神经隐式表示
基于无符号正交距离场的新型神经隐式表示法可实现准确重构曲面点而无需插值误差。
- 疑虑时，慢思考：具有潜在想象力的迭代推理
我们在这项工作中提出了一种新颖的、无需训练的方法，通过在决策时应用迭代推理，基于未来状态表示的连贯性来优化被推理的智能体状态，从而提高了模型驱动的强化学习智能体的性能。
- 基于 ACT 块的生成对抗网络的无线电地图构建
本文介绍了一种基于生成对抗网络（GAN）的新型无线电地图构建方法，命名为 ACT-GAN，并通过三种不同场景的实验结果表明，ACT-GAN 在提高无线电地图的重建精度方面具有显著优势，同时有助于更准确地预测电磁空间场分布和发射源位置。
- 高级物理感知 DeepMRI：从热传导到 k 空间内插的桥梁
本文介绍了一个可解释的框架，将 $k$-space 插值技术和图像域方法统一起来，建立在热扩散方程的物理原理基础之上，并提出了一种新的 $k$-space 插值方法，实验证明该方法在重建精度方面优于传统 $k$-space 插值方法、基于深 - MOSAIC：带有选择性注意力的遮蔽优化图像重建
本文提出了一种名为 MOSAIC 的新型压缩感知框架，采用随机选取的压缩测量值，学习测量范围内的单次通用反演映射，结合了嵌入技术以及注意力机制，避免使用深度网络，并在标准数据集上实现了重建精度的最新进展。
- VAE 是否擅长重构分子图？
研究了多个当代分子生成模型在同等条件下的表现，发现它们的重构准确度令人惊讶地低，并且对于图分子的重构存在后验坍塌现象，但这并不直接导致更好的样本采样或优化性能。
- 基于改进 NSFF 模型的子弹时间效果多视角重建
本文提出了一种基于 NSFF 算法叠加重构的动态场景视角重建技术，在网络中加入模糊核以改善重建准确性，并通过光流预测信息及时抑制动态网络，解决动态场景与静态场景重构过程的过拟合问题， 实验结果表明，NSFF-RFCT 算法提高了新视角动态场 - CVPR利用表面先验重建稀疏点云的表面
通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。
- 图像反问题的深度平衡结构
这篇文章提出了一种基于 Deep Equilibrium Models 的方案，通过无限循环的迭代，不断提高图像逆问题的重建精度，同时在测试时可以根据不同场景的需求选择不同的计算预算以优化精度和计算的权衡。
- 关于使用权重编码的神经式隐式三维形状的有效性研究
本研究证明了权重编码神经隐式方法可以作为第一类三维形状表示，并且通过引入一系列技术贡献来提高重建准确性、收敛性和鲁棒性，而且相比于之前的神经隐式方法，具有更好的鲁棒性，可扩展性和性能表现。
- AMP-Net: 基于去噪深度展开的压缩图像感知
本文提出了一种深度展开模型 AMC-Net 来解决视觉图像的压缩感知重构问题，通过展开迭代卷积神经网络来模拟近似消息传递算法的去噪过程，同时集成去块模块以消除在图像压缩感知中经常出现的块状伪影，并联合训练采样矩阵和其他网络参数以提高重构精度 - 关于卫星图像超分辨率的深度网络训练
本研究通过实验研究发现，训练数据对超分辨率重建性能有很大影响，特别是对于卫星图像，而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法，因此，改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。
- 基于深度分层神经网络的解耦人体嵌入
本文提出了一种像自动编码器一样的网络架构，以学习解缠人体的形状和姿势嵌入，特别是针对三维人体。通过分层重构流程和一个大数据集的构建，并对神经网络进行学习，提高了重构准确性。通过广泛实验，我们的学习到的三维人体嵌入在各种应用中展现了强大的能力 - ICML从行列仿射测量中恢复低秩矩阵
提出一种行列仿射测量方案以及相应的算法，可用于低秩矩阵恢复，具有较高的精度。