基于单纯结构的图形基元高效编码
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
推导的 GaussianCube 是一种结构化 GS 表征，通过优化输运将高斯函数排列成预定义的体素网格，实现了高质量的拟合结果和生成建模。
Mar, 2024
利用邻域多分辨率格点的特征编码法在学习基于隐式场景表示中发挥了重要作用，然而先前的技术没有明确地利用大多数物体或场景的表面法线和局部平滑性特征。本文提出了第一个明确地利用了这些三维特征的三维几何编码器，通过使用新颖的圆柱体积插值来建模局部平面不变性。此外，我们明确地结合了局部特征聚合来对圆柱体插值特征进行正则化和平滑处理。我们在 ABC、Thingi10k、ShapeNet 和 Matterport3D 上评估了我们的方法，用于对象和场景表示。与使用常规格点的方法相比，我们的几何编码器显示出更快的收敛速度，并获得更清晰的三维表面。与先前的技术相比，我们的方法取得了最先进的结果。
Feb, 2024
本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。
Jan, 2021
通过将稠密的格子转化为稀疏的单纯形网格，我们提出了一种新的方法 Simplex-GP，把最新的可扩展高斯过程方法 SKI 推广到更高的维度，同时保持较强的预测性能，并提供了一个 CUDA 实现，从而获得了显著的 GPU 加速。
Jun, 2021
通过将所有特征网格转化为一个共同的框架，我们通过简单的索引运算将现有数据结构的查找函数组合在一起，实现了帕累托最优压缩和速度，从而表明具有学习探针的哈希表在大小和速度上具有优势。
Dec, 2023
本文提出了一种使用压缩方法从紧凑的角度追求较小体积的神经辐射场的简单而有效的框架，该方法利用网格模型固有的代表特性，开发了非一致压缩方法以显着减少模型复杂性，并引入了名为 “神经码书” 的新颖参数化模块，通过快速优化来更好地编码每个场景模型的高频细节，从而实现对网格模型存储量的超过 40 倍的减少，在具有竞争性的渲染质量和 180 fps 的实时渲染速度的同时，相对于实时渲染方法而言具有存储成本的显著优势。
May, 2023
本研究提出了一种使用字典方法进行特征网格压缩的方法，可以将其内存消耗降低 100 倍，同时实现了多分辨率表示，其优化方法可以作为离散神经表示的端到端训练解决方案，适用于无法进行直接监督并具有动态拓扑和结构的空间。
Jun, 2022
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