我们介绍了 GauStudio，一个新颖的模块化框架，用于建模 3D 高斯飞溅（3DGS），为用户提供标准化的即插即用组件，以便轻松定制和实现 3DGS 流程。支持我们的框架，我们提出了一种具有前景和天空球背景模型的混合高斯表示方法。实验证明，这种表示方法减少了无边界户外场景中的伪影，并改善了新颖视角合成。最后，我们提出了高斯飞溅表面重建（GauS）方法，它是一种从 3DGS 输入中进行高保真网格重建的新的先渲染再融合的方法，无需微调。总的来说，我们的 GauStudio 框架，混合表示方法和 GauS 方法增强了 3DGS 建模和渲染能力，实现了更高质量的新视角合成和表面重建。

Mar, 2024

提出了一种新方法 GauMesh 来模拟和渲染动态场景，利用基于基元的渲染和 3D 高斯与网格相结合，能够更好地表示复杂的场景。

Mar, 2024

本研究提出了一种端到端的反演渲染管道，该管道包括可完全不可微的渲染器，可以从一组 RGB 输入图像重新构建几何，材料和照明，并使用球形高斯混合表示光谱 BRDF 和环境光，并将几何表示为一个多层感知器参数化的有符号距离函数。使用球形高斯函数使我们能够有效地求解近似光传输问题，并且我们的方法适用于在自然的静态照明下捕获的具有挑战性的非 Lambertian 反射场景。我们证明了我们的重构不仅使新视点的渲染成为可能，而且还可以对材料和照明进行物理基础的外观编辑。

Apr, 2021

通过创新的基于网格的高斯喷洒（GS）表示方法，在保持高质量渲染结果的同时，实现了高质量的重构和有效的变形，每秒平均 65 帧。

Feb, 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

提出了一种名为 GaussianDreamerPro 的新框架，通过将高斯函数与合理几何形状相结合，逐步丰富几何与外观，构建了与以前方法相比具有显着改进细节和质量的 3D 高斯函数绑定网格的生成资产，可无缝集成于下游操作流水线，大大扩展了其在广泛应用中的潜力。

Jun, 2024

我们提出了一种方法，可以从 3D 高斯散点图中精确且非常快速地提取网格。该方法使用高斯散点图进行实际渲染，相较于 NeRFs 具有更快的训练速度。我们首先引入了一个鼓励高斯散点图与场景表面对齐的正则项，然后利用此对齐性通过 Poisson 重建方法从高斯散点图中提取网格，该方法快速、可扩展且能保留细节信息，与通常用于从神经隐式函数中提取网格的 Marching Cubes 算法形成对比。最后，我们引入了可选的优化策略，通过高斯散点图渲染将高斯散点图与网格表面绑定，在传统软件中通过操纵网格而非高斯散点图本身实现了易于编辑、雕刻、绑定、动画制作、合成和调光。与基于神经隐式函数的最先进方法相比，我们的方法可在几分钟内获取逼真渲染所需的可编辑网格，而不是使用数小时。同时，我们的方法提供更好的渲染质量。

Nov, 2023

利用高斯雨滴喷洒技术的文本到 3D 生成（GSGEN）方法可以生成具有精细细节和更准确几何形状的高质量 3D 对象。

Sep, 2023

通过引入基于平面的高斯点云猜测（PGSR）方法，本研究旨在实现高保真度的表面重建和高质量的渲染，以解决基于 3D 高斯斑点（3DGS）的重构方法中普遍存在的质量问题。实验结果表明，与基于 3DGS 和 NeRF 的方法相比，我们的方法在快速训练和渲染的同时保持了高保真度的渲染和几何重建效果。

Jun, 2024

提出了使用三维高斯斑点（3DGS）进行三维头部重建和动画的 HeadGaS 模型，其利用可学习的潜在特征扩展了 3DGS 的显式表示，并与参数化头部模型的低维参数线性融合，实现表情相关最终颜色和不透明度值。实验证明，HeadGaS 在实时推理帧率方面取得了最先进的结果，超过基线约 2dB，并将渲染速度加速至 10 倍以上。

Dec, 2023