通过使用层次结构的三维高斯，本研究提出了一种在非常大的场景中保持视觉质量的方法，同时提供了有效的远程内容的适当级别选择和平滑过渡的有效细节解决方案。

Jun, 2024

我们提出了三个关键要素，可实现高质量的实时（大于等于 30 帧 / 秒）1080p 分辨率的新视图合成，其中包括使用 3D 高斯函数表示场景、优化 3D 高斯函数的相关参数以准确表示场景，并开发了一种快速的可见性感知渲染算法，以加速训练并实现实时渲染。

Aug, 2023

MVSGaussian 是一种新的通用化的三维高斯表示方法，通过多视点立体视觉 (MVS) 有效重建未见过的场景，具有实时渲染速度和良好的综合质量。

May, 2024

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

CityGaussian employs a divide-and-conquer training approach and Level-of-Detail strategy for efficient large-scale 3D Gaussian Splatting training and rendering, achieving state-of-the-art rendering quality in real-time across various scales.

Apr, 2024

提出了一个使用可变形的 3D 高斯散射方法对动态场景进行重建和渲染，在实时渲染的速度和渲染质量方面优于现有方法。

Sep, 2023

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

我们引入了一种新颖的大规模场景重建基准测试，通过使用新开发的三维表示方法 —— 高斯插值法在我们广泛的 U-Scene 数据集中。U-Scene 包含了一个半平方千米以上的区域，具有综合 RGB 数据集和 LiDAR 地面真实数据。我们使用了 Matrix 300 无人机配备高精度的 Zenmuse L1 LiDAR 来获取数据，从而实现了精确的屋顶数据采集。这个数据集提供了一个独特的城市和学术环境的结合，用于高级空间分析，覆盖面积超过了 1.5km^2。我们使用高斯插值法对 U-Scene 进行了评估，并从各种新颖的视角进行了详细分析。我们还将这些结果与我们准确的点云数据集进行对比，突出了多模态信息结合的重要性。

Jan, 2024

使用三维高斯喷洒方法进行场景风格化研究，通过在多视角环境中保持一致的风格外观来产生高质量的风格化新视角，实现了在增强现实或虚拟现实应用中具有卓越视觉质量的最新表现。

Mar, 2024

Scaffold-GS 方法使用锚点在视场内基于视线方向和距离动态分布局部的 3D Gaussians，有效地减少冗余的 Gaussians，同时能够实现高质量渲染。

Nov, 2023