我们提出了 DoGaussian 方法，该方法通过将场景分解为 K 个块并在 3DGS 的训练过程中引入交替方向乘子方法（ADMM），在主节点上维护一个全局 3DGS 模型和 K 个从节点上的本地 3DGS 模型，从而加快了在大规模场景中的 3DGS 训练速度 6 倍以上，并同时实现了最先进的渲染质量。

May, 2024

通过将不同可分辨外观模型与显式几何表示相结合，我们提出了一种可学习的场景模型，用于准确重构包含显式几何信息的三维场景，实验结果表明，该模型不仅在渲染质量方面达到了最新水平，而且还支持使用显式网格进行操作，并且具有适应场景更新的独特优势。

May, 2024

通过矩阵和张量分解技术，我们提出了一种新方法，即因式化三维高斯粒子点描（F-3DGS），通过高效的因式化，大大减少了存储需求，同时保持了渲染图像的质量。

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

本文介绍了一种名为 GS-SLAM 的算法，它在同时定位与地图构建（SLAM）系统中首次使用了 3D 高斯表示方法，实现了效率和准确性之间的更好平衡。与使用神经隐式表示的最新 SLAM 方法相比，我们的方法采用了实时可微分雀斑光照渲染流水线，大大加速了地图优化和 RGB-D 重渲染。具体而言，我们提出了一种自适应扩张策略，通过添加新的或删除噪音 3D 高斯来有效重构新观测到的场景几何并改善先前观测区域的建图。这种策略对于将 3D 高斯表示扩展到重建整个场景而不是在现有方法中合成静态物体至关重要。此外，在位姿跟踪过程中，设计了一种有效的从粗到细的技术，以选择可靠的 3D 高斯表示来优化相机姿态，从而减少运行时间并实现强健的估计。我们的方法在 Replica 和 TUM-RGBD 数据集上与现有的最新实时方法具有竞争力的性能。源代码将在获批后发布。

Nov, 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

提出了一种新的运动感知增强框架，通过挖掘光流中的有用运动线索来改进动态场景重建，以提高不同动态 3D 高斯喷溅方式的性能，并针对基于形变的范例提出了一种瞬态感知形变辅助模块。经过广泛的实验证明，与基线相比，我们的方法在渲染质量和效率方面都表现出明显的优势。

Mar, 2024

该研究论文介绍了一种包括隐式曲面重建、三维高斯光照插值以及体积渲染等方法组合的 3D 曲面重建技术，实现了高质量的三维曲面重建并保持了高效率和渲染质量。

Mar, 2024

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

本研究探索了在大规模高分辨率数据集上训练高参数 3D 高斯喷溅（3DGS）模型的可能性，并设计了一种称为 RetinaGS 的通用模型并行训练方法，通过使用适当的渲染方程式可适用于任何场景和任意高斯图元分布，能够探索以前难于探索的 3DGS 的原始数量和训练分辨率的缩放行为以及超越以往最先进的重建质量，观察到使用我们的方法增加原始数量时视觉质量明显提高的积极趋势，同时我们还首次尝试在全矩阵城市数据集上训练了一个超过十亿个图元的 3DGS 模型，达到了有希望的视觉质量。

Jun, 2024