DrivingGaussian 是一个高效而有效的框架，用于重建自主驾驶场景中的动态环境，通过顺序和渐进地建模静态背景，并利用动态高斯图来处理多个移动物体，在场景中恢复每个物体的准确位置和遮挡关系。使用 LiDAR 和高斯喷洒方法进行重建，该方法在驾驶场景重建中优于现有的方法，实现了高逼真度和多相机一致性的全景合成。

Dec, 2023

Video-3DGS 是一种基于 3D 高斯雾化技术改进的视频编辑器，旨在增强零痕编辑中的时间一致性，并通过在两个阶段利用三维高斯进行视频重构和编辑来展示其有效性。

Jun, 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

用新颖的方法结合扩散模型和多模态数据以提高三维高斯飞溅对未见视角的渲染效果，有效增强了自动驾驶模拟中街景的新视角合成技术。

Mar, 2024

通过自我监督学习的方法，在不使用 3D 注释的情况下，我们提出了一种自适应街景高斯方法来分解静态和动态元素并取得最佳性能。

May, 2024

通过 GPS-Gaussian 方法，我们可以实时合成一个字符的新视图，以稀疏的视图相机设置进行 2K 分辨率渲染。通过在源视图上定义高斯参数图并直接回归高斯喷洒属性，我们无需进行任何微调或优化即可实现即时的新视图合成。我们通过大量的人体扫描数据对高斯参数回归模块进行训练，同时使用深度估计模块将 2D 参数图转化为 3D 空间。实验结果表明，我们的方法在几个数据集上优于最先进的方法，同时实现了非凡的渲染速度。

Dec, 2023

在本文中，我们提出了 MoDGS，这是一个新的管道，可以利用仅有的随意捕捉的单目视频生成动态场景的新视角图像。MoDGS 采用了最近的单视图深度估计方法来指导动态场景的学习，并提出了一种新的三维感知初始化方法来学习合理的变形场和新的鲁棒深度损失来指导动态场景几何结构的学习。全面的实验证明，MoDGS 能够从仅有的随意捕捉的单目视频中生成高质量的动态场景新视角图像，优于基线方法的效果显著。

Jun, 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

本文主要研究了 3D 高斯喷洒（3DGS）中的常见误差源，包括模糊、不完美的相机姿态以及颜色不一致性，旨在改善其在像手持手机拍摄的实际应用中的鲁棒性。通过将运动模糊建模为相机姿态上的高斯分布，我们可以统一处理相机姿态的精炼和运动模糊矫正，并提出了解决散焦模糊补偿和解决由环境光、阴影或相机相关因素引起的颜色不一致性的机制。我们的解决方案与 3DGS 的配方无缝集成，同时保持其在训练效率和渲染速度方面的优势。通过在 Scannet++ 和 Deblur-NeRF 等相关基准数据集上进行实验证实，我们的贡献取得了最先进的结果，相对于相关基准线实现了一致的性能改进。

Apr, 2024

通过将网格体积与 3D 高斯喷洒（3DGS）管道结合，提出了一种名为 HO-Gaussian 的混合优化方法，以克服使用初始结构运动（SfM）点的依赖性，从而使得在城市场景中进行渲染成为可能，并且引入了点密度化来提高在训练期间出现问题的区域的渲染质量。此外，我们引入了高斯方向编码作为渲染管道中球面调和的替代方法，从而实现了视角相关的颜色表示。为了解决多相机系统的问题，引入了神经翘曲以增强不同相机之间的物体一致性。在广泛使用的自动驾驶数据集上的实验结果表明，HO-Gaussian 在多相机城市数据集上实现了实时照片级渲染。

Mar, 2024