PyGS: 使用金字塔形状的三维高斯投影进行大规模场景表示
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
本文介绍了一种将 NeRF-based 3D-aware GANs 的高渲染质量与 3D Gaussian Splatting 的灵活性和计算优势相结合的新方法。通过训练一个解码器，将隐式的 NeRF 表示映射到显式的 3D Gaussian Splatting 属性，我们可以首次将 3D GANs 的代表性多样性和质量整合到 3D Gaussian Splatting 的生态系统中。此外，我们的方法还允许高分辨率 GAN 反演和实时 GAN 编辑与 3D Gaussian Splatting 场景的结合。
Apr, 2024
我们提出了一种混合模型，使用高斯飞溅来表示三维物体的形状和 NeRF 的编码用于颜色和不透明度，从而更好地描述三维物体的阴影、光反射和透明度。
Dec, 2023
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
使用一组高斯椭球来模拟场景，从而实现高效渲染，3D 高斯喷涂表示法具有快速渲染、动态重建、几何编辑和物理模拟等优点。本文通过对最近的 3D 高斯喷涂方法进行文献综述，提供了一个 3D 高斯喷涂方法的分类，包括 3D 重建、3D 编辑和其他功能应用，以及传统的基于点的渲染方法和 3D 高斯喷涂的渲染公式，旨在帮助初学者快速了解这一领域并为经验丰富的研究者提供全面的概述，以推动 3D 高斯喷涂表示法的未来发展。
Mar, 2024
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
3D 高斯喷洒是一种能够实时渲染的、可控且可编辑的 3D 重建和表示方法，通过显式场景表示和可微分的渲染算法，提供了独特的优势，为下一代 3D 重建和表示技术带来了潜在的变革。本文首次系统综述了 3D 高斯喷洒的最新进展和重要贡献，包括其背后的原理、应用可行性以及各类基准任务下的性能和实用性评估，并指出当前挑战和未来研究的发展方向。
Jan, 2024
在机器人应用中，参数化表示如神经辐射场（NeRF）相较于非参数化表示如高斯分块（GS）更具泛化能力，但 GS 渲染速度更快。我们开发了一种在这两者之间进行转换的方法，既拥有 NeRF 的优势（在不同视图下具有更好的 PSNR、SSIM 和 LPIPS，并且具有紧凑的表示），又拥有 GS 的优势（实时渲染和易于修改表示），这些转换的计算成本相较于从头训练这两个方法来说很小。
May, 2024