通过交互式流程而无需任何训练过程和学习参数，本文提出了一种在 3D 高斯中实现对象分割的新方法，称为 SA-GS。通过提出的多视角掩码生成和视图标签分配方法，SA-GS 可以泛化 SAM 以实现 3D 一致的分割，并提出了跨视图标签投票方法来分配不同视图中的标签。实验证明，SA-GS 在 3D 分割结果方面具有高质量，也可以轻松应用于场景编辑和碰撞检测任务。

Jan, 2024

通过识别每个高斯函数的紧凑身份编码，我们将高斯函数根据其对象实例或物体成员资格在三维场景中分组，从而实现了高质量的三维重建、分割和编辑，同时通过 SAM 的二维掩模预测和引入的三维空间一致性正则化来监督身份编码，通过 Gaussian Grouping 进一步提出了一种本地高斯编辑方案，用于 3D 对象移除、修复、上色和场景重组等多种场景编辑应用。

Dec, 2023

基于 3D 高斯喷斑的新型开放词汇场景理解方法，通过提取预训练的 2D 语义学习特征，将其融入 3D 高斯成分，并构建 3D 高斯语义网络用于快速推断，实现了在 ScanNet-20 上对语义分割的改进、对物体部分分割、场景编辑以及时空分割的多样性支持和优越性。

Mar, 2024

我们提出了一种紧凑高效的三维高斯分割方法（Compact and Swift Segmenting 3D Gaussians，CoSSegGaussians），通过仅使用 RGB 图像输入，在快速渲染速度下进行三维一致场景分割。

Jan, 2024

基于神经隐式表示的 3D 场景分割方法，通过多视图图像特征和语义地图作为输入，采用软投票机制来聚合来自不同视图的二维语义信息，结合视角差异信息预测投票分数，通过可见性模块筛选掉遮挡视图的有害信息，在只有二维语义监督的情况下，能够综合合成语义地图或进行新场景的三维语义分割。

Oct, 2023

学习使用单目视频作为输入来生成动态三维语义辐射场，其中学习到的语义辐射场捕捉每个点的语义以及颜色和几何属性，以便生成新的视图和相应的语义。通过联合优化外观和语义属性，使得该方法能够实现密集的语义三维物体跟踪，并展示了渲染快速而质量高的多样化场景结果。

May, 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

通过神经隐式表面表示，即信号距离函数（SDF），提出了 ClusteringSDF 方法，实现了 3D 中的分割和重建。这项研究通过高效的聚类机制将 2D 标签提升到 3D，并在 ScanNet 和 Replica 数据集上的挑战性场景中取得了与现有技术相竞争的表现，而且训练时间大大缩短。

Mar, 2024

介绍了一种新颖的 3D 交互分割方法 Segment Any 3D GAussians (SAGA)，通过良好设计的对比训练将由分割基础模型生成的多颗粒度 2D 分割结果高效嵌入到 3D 高斯点特征中，实现了多颗粒度分割和适应各种提示，包括点，涂鸦和 2D 蒙版。SAGA 可以在毫秒内完成 3D 分割，相比先前的 SOTA 加速近 1000 倍。

Dec, 2023

引入了对比高斯聚类的新方法，能够从任何视角提供分割掩模，并实现场景的三维分割。

Apr, 2024