我们提出了一种从稀疏训练视角中训练一致的基于 3DGS 的辐射场的方法，通过集成深度先验、生成和显式约束来减少背景折叠、移除浮点值，并增强来自未见视角的一致性，实验证明我们的方法在 MipNeRF-360 数据集上以较少的训练和推理成本超过了基本的 3DGS 的 30.5% 和基于 NeRF 的方法的 15.6%。

Nov, 2023

通过结构化的高斯表示和正则化优化，以及深度基于初始化来解决三维重建中稀疏输入图像的挑战，提高了与现有方法相比的重建质量。

Mar, 2024

通过直接将法线与其他几何参数耦合，提出了一种深度法线正则化器以完全更新几何参数，并引入置信度项以减轻多视图法线预测的不一致性，同时通过密度化和分割策略对 3D Gaussians 的大小和分布进行正则化，实验结果表明该方法在更快的训练速度和 100+ FPS 渲染时获得更好的重建质量和竞争性外观质量。

Jun, 2024

通过学习性的掩码策略和向量量化，我们减少了高斯点的数量和占用的存储空间，实现了高性能、快速训练、紧凑且实时的渲染，提供了一个全面的三维场景表示框架。

Nov, 2023

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

通过在有限预算内进行训练和渲染，提出了一种改进的 3D 高斯粉碎（3DGS）模型，实现了较快速、高质量的新视图合成，并减少了模型大小和训练时间。

Jun, 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

以基于 3D 高斯喷墨技术的轻量级方法为基础，利用多视图低动态范围（LDR）图像，通过变化的曝光时间、光圈和聚焦距离重建高动态范围（HDR）光辐射场，实现灵活的重焦渲染，同时结合 HDR 和景深的处理，能够在实时电影渲染中表现出优异的性能。

Jun, 2024

使用可变形 3D 高斯方法进行动态场景重建，将高斯飞溅效果扩展以适应通过多层感知器定义的时间相关变形场的可变形高斯集合的表示，同时使用静态高斯点云允许多层感知器集中其表示能力，最终优化得到与状态最前沿的动态神经辐射场方法相媲美且具有更快的优化和渲染速度。

Dec, 2023

通过深度和法线线索来拓展 3D 高斯喷洒技术，以解决室内数据集中的挑战，并展示了有效的网格提取技术。

Mar, 2024