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

通过矩阵和张量分解技术，我们提出了一种新方法，即因式化三维高斯粒子点描（F-3DGS），通过高效的因式化，大大减少了存储需求，同时保持了渲染图像的质量。

May, 2024

本文介绍了一种将 NeRF-based 3D-aware GANs 的高渲染质量与 3D Gaussian Splatting 的灵活性和计算优势相结合的新方法。通过训练一个解码器，将隐式的 NeRF 表示映射到显式的 3D Gaussian Splatting 属性，我们可以首次将 3D GANs 的代表性多样性和质量整合到 3D Gaussian Splatting 的生态系统中。此外，我们的方法还允许高分辨率 GAN 反演和实时 GAN 编辑与 3D Gaussian Splatting 场景的结合。

Apr, 2024

使用量化嵌入技术和粗到精的训练策略，大幅降低内存存储需求，实现了高分辨率场景的实时渲染和更快更稳定的高斯点云优化，减少了记忆存储量并保持重建质量，验证表明效果显著。

Dec, 2023

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

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

我们提出了一种紧凑的场景表示方法，将三维高斯扩散模型的参数组织成具有局部均匀性的二维网格，从而实现了存储需求的大幅度降低，同时在渲染过程中不影响视觉质量。

Dec, 2023

通过使用金字塔式组装高斯函数的 3D 高斯喷射 (PyGS)，结合 NeRF 初始化，我们在多个大规模数据集上实现了显著的性能提升，并获得超过当前最先进方法 400 倍以上的渲染时间。

May, 2024

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

使用一组高斯椭球来模拟场景，从而实现高效渲染，3D 高斯喷涂表示法具有快速渲染、动态重建、几何编辑和物理模拟等优点。本文通过对最近的 3D 高斯喷涂方法进行文献综述，提供了一个 3D 高斯喷涂方法的分类，包括 3D 重建、3D 编辑和其他功能应用，以及传统的基于点的渲染方法和 3D 高斯喷涂的渲染公式，旨在帮助初学者快速了解这一领域并为经验丰富的研究者提供全面的概述，以推动 3D 高斯喷涂表示法的未来发展。

Mar, 2024