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

提出了一种名为 HFGS 的新方法，通过空间和时间频率角度处理动态场景的可变形内窥镜重建问题，并引入了空间高频重建和时间高频重建技术来提高神经渲染的动态感知和 3D 质量。

May, 2024

本文研究了 3D 高斯喷射技术中的密度控制策略的不足之处，分析了导致过度重构和模糊渲染的原因，并提出了一种新的视图空间渐变方向梯度作为密度增加的判据，有效地解决了该问题，并在各种挑战性数据集上进行了评估，结果显示我们的方法在渲染质量上表现最佳，同时内存消耗降低或相似。

Apr, 2024

使用有效等级分析方法解决 3D 高斯图元收敛为针状形状的问题，并且通过引入有效等级作为正则化方法，提高了法线和几何重建的质量，减少了针状伪影。

Jun, 2024

提出了 Super-Resolution 3D Gaussian Splatting (SRGS) 方法，通过在高分辨率空间中进行优化，引入亚像素约束并与预训练的 2D 超分辨率模型集成，以有效增强原语的表示能力。在 HRNVS 方面实现高质量渲染，优于 Mip-NeRF 360 和 Tanks ＆ Temples 等挑战性数据集上的现有方法。

Apr, 2024

提出了基于 3D 高斯喷砂的少样本视角合成方法，通过高效地合成视图实现实时和照片般逼真的视角合成，方法称为 FSGS，通过设计精巧的高斯解卷积处理稀疏初始化的 SfM 点，通过分布新的高斯函数填补空白区域中的局部细节，在高斯优化过程中整合大规模预训练的单眼深度估计器，通过在线增强视图引导几何优化达到最优解，FSGS 在包括 LLFF、Mip-NeRF360 和 Blender 在内的各种数据集上实现了最先进的性能，包括准确性和渲染效率。

Dec, 2023

通过优化 3D 高斯喷涂技术，我们提出了 EfficientGS 方法，针对高分辨率和大规模场景，通过选择性策略和剪枝机制，将模型大小减小为传统 3D 高斯喷涂的十分之一，同时保持高渲染保真度。

Apr, 2024

该论文介绍了一种新的协同正则化方法来改善稀疏视图下 3D 高斯光场的重建质量，通过评估高斯点表示之间的注册以及渲染像素之间的差异来量化点和渲染不一致性，进一步研究表明这两种不一致性与精确的重建之间存在负相关，基于这些研究结果，提出了一种名为 CoR-GS 的方法来鉴别和抑制不准确的重建，并在多个数据集上验证了该方法的有效性。

May, 2024

高斯飞溅在新视角合成方面已被证明具有很高的效果，但对于重建细节丰富的 3D 形状尚未充分探索。本研究介绍了一种栅格化方法来渲染通用 3D 高斯飞溅的深度图和表面法线图，大大提高了形状重建的准确性，并保持高斯飞溅的计算效率。该方法在 DTU 数据集上达到与 NeuraLangelo 相当的 Chamfer 距离误差，并保持与传统高斯飞溅相似的训练和渲染时间。该方法是高斯飞溅的重要进展，可以直接集成到现有的基于高斯飞溅的方法中。

Jun, 2024

提出了一种名为 Pixel-GS 的新方法，通过考虑每个视图中高斯函数覆盖的像素数量来计算增长条件，从而促进大型高斯函数的增长，实现了更精确、更详细的重构，同时保持实时渲染速度和最新的渲染质量。

Mar, 2024