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

同时解决动态场景新视角合成和六自由度跟踪所有密集场景元素的方法，通过分析合成框架，模型化动态场景，并用于各种后续应用。

Aug, 2023

我们引入了高斯流（Gaussian-Flow），一种用于从多视图和单目视频中快速动态场景重建和实时渲染的新型基于点的方法。与以往基于 NeRF 的方法不同，这种方法利用了最新的基于点的 3D 高斯喷洒（3DGS）技术，通过引入新颖的双域变形模型（DDDM）来显式建模每个高斯点的属性变形，从而消除了为每个帧训练单独的 3DGS 或引入额外的隐式神经场来建模 3D 动态的需求。此外，对离散化高斯点进行显式变形建模确保了对 4D 场景的超快速训练和渲染，与用于静态 3D 重建的原始 3DGS 相当。我们的方法在效率上取得了显著的改进，训练速度比每帧 3DGS 建模快 5 倍，并且定量结果表明，我们提出的高斯流在新视图渲染质量上明显优于以往的主流方法。

Dec, 2023

我们提出一种高效的神经 3D 场景表示方法，用于大规模、动态的城市地区的新视点合成 (NVS)。该方法可以适用于混合现实或闭环仿真等应用，具有较高的可视质量和交互式渲染速度。我们引入 4DGF，一种适用于大规模动态城市地区的神经场景表示方法，它可以处理异构输入数据，并显著提高渲染速度。在实验中，我们的方法的峰值信噪比 (PNSR) 超过最先进方法 3 分贝以上，渲染速度提高了 200 倍以上。

Jun, 2024

将自我监督视觉里程计（VO）集成到动态高斯方法（VDG）中，从而提升了定位和深度初始化以及静态 - 动态分解，VDG 可以只使用 RGB 图像输入，在更快的速度和更大的场景下构建动态场景，并在大量定量与定性实验中展示了对于现有动态视图合成方法的优越性能。

Jun, 2024

使用单个单目视频，通过引入动态高斯网格（DG-Mesh）框架，可以重建出高保真度和时态一致的网格结构，并实现动态对象的纹理编辑。

Apr, 2024

基于 3D 高斯喷斑的新型开放词汇场景理解方法，通过提取预训练的 2D 语义学习特征，将其融入 3D 高斯成分，并构建 3D 高斯语义网络用于快速推断，实现了在 ScanNet-20 上对语义分割的改进、对物体部分分割、场景编辑以及时空分割的多样性支持和优越性。

Mar, 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

RT-GS2 是第一个能够实现实时泛化的 3D 高斯渲染中语义分割方法，通过提取独立于视角的 3D 高斯特征并采用新颖的视角相关 / 独立特征融合，能够在不同视角下提升语义一致性，超过同领域最先进方法的语义分割质量达到 8.01％的提高，并以每秒 27.03 帧的实时性能，相比现有方法提速达 901 倍，这一工作在引入光辐射场 3D 高斯表达领域的语义分割上代表了重大进展。

May, 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