在机器人应用中，参数化表示如神经辐射场（NeRF）相较于非参数化表示如高斯分块（GS）更具泛化能力，但 GS 渲染速度更快。我们开发了一种在这两者之间进行转换的方法，既拥有 NeRF 的优势（在不同视图下具有更好的 PSNR、SSIM 和 LPIPS，并且具有紧凑的表示），又拥有 GS 的优势（实时渲染和易于修改表示），这些转换的计算成本相较于从头训练这两个方法来说很小。

May, 2024

基于 3D 高斯扩散的新视角合成方法在各种场景下表现出了良好的性能，本文提出了一种高效的基于点的可微渲染框架，用于从照片集合中重建场景，通过引入基于残差的球谐系数传输模块，将 3D 高斯扩散方法适应于不同的光照条件和光度后处理，同时引入了一个轻量级的空间注意力模块，可同时预测暂时遮挡物和隐含外观表示，实验结果表明，该方法在新视角和外观合成的渲染质量上优于现有方法，并拥有较高的收敛速度和渲染速度。

Jun, 2024

我们提出了一种混合模型，使用高斯飞溅来表示三维物体的形状和 NeRF 的编码用于颜色和不透明度，从而更好地描述三维物体的阴影、光反射和透明度。

Dec, 2023

通过学习去除迭代 3D 高斯投射法（LP-3DGS）提供了一种自动寻找最佳裁剪比例的方法，该方法使用可训练的二进制掩码来对重要性分数进行裁剪，并通过重新设计掩码函数以利用 Gumbel-Sigmoid 方法使其可微分并与现有的 3D 高斯投射法训练过程兼容，从而在效率和质量之间提供了良好的平衡。

May, 2024

该论文提出一种用于在少样本环境下合成新视角的算法。其核心概念是开发一种稳定的表面正则化技术，称为退火有符号距离函数 (ASDF)，通过粗到细的表面退火方法加速收敛速度。与现有少样本训练方法相比，该方法能够成功重构场景并生成高保真几何图形，并且在 ScanNet 数据集和 NeRF-Real 数据集上能够以多达 45 倍的速度提供可比较的结果。

Mar, 2024

最近几年，引入了一系列基于神经网络的图像渲染方法。其中，被广泛研究的神经辐射场（NeRF）依靠神经网络来表示三维场景，可以从少量的二维图像中合成逼真的视图。然而，大多数 NeRF 模型在训练和推理时间上都受到限制。相比之下，高斯喷洒（GS）是一种新颖的、领先技术的渲染点的技术，通过高斯分布来近似它们对图像像素的贡献，从而保证快速训练和实时渲染。GS 的一个缺点是缺乏对其条件的明确定义，因为需要对几十万个高斯分量进行条件建模。为了解决这个问题，我们引入了高斯网格喷洒（GaMeS）模型，它是网格和高斯分布的混合形式，在物体表面（网格）上固定所有高斯喷洒。我们方法的独特之处在于，仅根据高斯喷洒在网格上的位置来定义，允许在动画过程中自动调整位置、比例和旋转。因此，我们实现了在实时生成高质量视图方面的高质量渲染。此外，我们证明在没有预定义网格的情况下，可以在学习过程中调整初始网格。

Feb, 2024

使用变形的多层感知器（MLP）网络捕捉动态偏移的高斯点并通过哈希编码和小型 MLP 来表示点的颜色特征，引入可学习的去噪掩模结合去噪损失以从场景中消除噪点，通过静态约束和运动一致性约束减轻点的运动噪声，实验证明我们的方法在渲染质量和速度上超过了现有方法，同时显著减少了与 3D-GS 相关的内存使用，非常适用于新的视角合成和动态建图等任务。

May, 2024

通过引入特征匹配的稀疏几何规则化模块，本文提出了一种名为 SGCNeRF 的有效少样本神经渲染架构，通过 NeRF 迭代中几何和纹理的渐进细化，提供卓越的几何一致性结果，并在 LLFF 和 DTU 数据集上分别提高了 0.7dB 和 0.6dB 的 PSNR，优于 FreeNeRF。

Apr, 2024

我们提出了一种从稀疏训练视角中训练一致的基于 3DGS 的辐射场的方法，通过集成深度先验、生成和显式约束来减少背景折叠、移除浮点值，并增强来自未见视角的一致性，实验证明我们的方法在 MipNeRF-360 数据集上以较少的训练和推理成本超过了基本的 3DGS 的 30.5% 和基于 NeRF 的方法的 15.6%。

Nov, 2023

基于神经渲染技术，本研究提出了一种使用 3D Half-Gaussian 核的方法，以改进当前 3D Gaussian splatting 方法的性能，在不影响渲染速度的情况下，在多个数据集上获得了最先进的渲染性能。

Jun, 2024