非人灵长类的手指运动标签长期依赖带弯折传感器的机械手柄，这类装置限制了可测运动的维度。Freebie 用多台同步相机和实时姿态估计直接输出手指关键点，在30 FPS与60 FPS采集下分别取得15.8毫秒和16.2毫秒的端到端延迟中位数，其关键点与弯折传感器的中位相关系数绝对值为0.96。用Freebie标签训练的肌电解码器在闭环控制中与用弯折传感器标签训练的版本表现相当，说明训练解码器未必需要给手部加装传感器。
Raysemble把单张正位X光片上的骨重建拆成“形状”和“摆放”两件事：先在归一化网格上预测每块骨的形状，再用预测深度和相机几何确定它在毫米空间中的中心与尺度。在23名留出患者、43张CT生成的模拟正位片上，不做刚性对齐时它平均取得65.24% Dice、9.09 mm HD95和3.32 mm ASSD，在15种配置中领先；在输入完全相同的对照中，Dice比VolumeNeRF高5.86个百分点。
微创手术的视觉-语言-动作模型和世界模型需要大规模三维监督，但公开手术数据集多来自离体或仿真场景，且只标注组织或器械之一，缺少工具与组织接触区域的标注。SurgTAP-3D从无标定的单目手术视频出发，用接触区域提示、活动器械分割、动态光束法平差和全局4D优化生成伪尺度的相机位姿、深度与二维/三维点轨迹，汇集4549段动作片段、519642帧和约138万条轨迹，覆盖机器人手术与手动手术。在SurgT、SurgPose和STIR三个基准上，该流程的三维跟踪平均AJ3D为56.57，高于表中对比方法。
单张高频条纹图重建三维面形，难点在于同时保住跨视场的空间一致性和局部几何细节：卷积网络的长程建模受限，窗口式Transformer的全局交互只能随深度逐步建立。混合Mamba-Transformer网络在Swin式U形架构的中等分辨率编码阶段引入视觉状态空间模块，并用轴向-膨胀视觉状态空间块在选择性扫描前增强方向性条纹特征。在公开条纹投影数据集上，该网络仅用一张变形条纹图取得0.548毫米的RMSE和0.9985的SSIM，RMSE相对UHRNet和HiDNet分别降低65.2%和59.6%。
骨表面低纹理、镜面反射和不规则形貌使COLMAP等外部位姿估计不可靠，而现有高光谱三维重建方法都依赖这类位姿。BoNeRF-HS把相机内参、逐视角位姿、体密度与高光谱辐射场放在一起优化，并用门控光谱适配头学习相邻波段间的残差修正。在45视角、120波段、400–1000 nm的小鼠骨、小梁骨仿体和皮质骨仿体数据上，它的PSNR与SSIM在三例中均为最高，小鼠骨上PSNR为29.94、SSIM为0.9254。
有限角度原子电子断层扫描因样品无法大角度倾斜而留下缺失楔形，深度方向分辨率下降、原子定位变差。RESIRE-Net只用输入数据本身，把旋转后的体积按实验倾角投影再用RESIRE重建，生成训练对来训练三维U-Net，迭代逼近缺失楔形的逆算子。在多层模拟的金属玻璃与中熵合金纳米颗粒上，三维位置均方根偏差分别从21皮米降到14皮米、从24皮米降到15皮米，原子回收与元素分类同步改善。
Zebra3D把预训练3D重建模型的全局注意力按层敏感度换成线性与瓦片稀疏混合，在约94%平均注意力稀疏度下仍保持接近稠密模型的位姿精度，1024视角端到端提速最高5.6倍。
建筑巡检用的三维高斯重建不再只求画面逼真：加入区域与逐点深度监督后，高斯中心被拉向真实表面，在合成无人机与手机拍摄两套数据上深度误差下降58.1%和86.8%，高度测量平均相对误差为0.33%。
该工作提出一个基于流匹配的生成模型，以红移空间星系密度场为输入，在宇宙学参数、星系样本最小恒星质量阈值和重子抑制功率谱条件下重建三维气体密度场的后验分布，并在CAMELS50（IllustrisTNG）测试盒中验证重建的色散量与真值在逐视线和整体分布上一致，模型还可推广到体积约为训练盒43倍的TNG300-1。
LiteReality-Agent 把从 RGB-D 扫描重建可交互 3D 室内场景表述为编码问题：编码智能体用专用工具收集证据并迭代编辑可执行的 Python 脚本，配合 observe-edit-verify 框架完成证据收集、测量、验证、布局优化、仿真就绪与质量控制，从而生成几何更准确、视觉更真实、更兼容仿真的数字孪生，并称优于 Astra 与 Fable 等前沿模型。