通过引入密集深度图，用于减轻过拟合问题，我们提出了一种方法来优化具有有限图像数量的高斯喷洒。我们通过将众多高斯喷溅结合起来表示 3D 场景，取得了出色的视觉效果。我们使用预训练的单目深度估计模型获取深度图，然后通过稀疏 COLMAP 特征点对其进行缩放和偏移的调整。调整后的深度图有助于基于颜色的 3D 高斯喷溅优化，减轻浮动伪影并确保符合几何约束。我们在具有不同数量的少量图像的 NeRF-LLFF 数据集上验证了该方法，与仅依赖图像的原始方法相比，我们的方法展示了稳健的几何性能。

Nov, 2023

通过利用 3D 高斯喷洒方法，我们开发了一种无需相机姿态的稀疏视图合成的新构建和优化方法，通过在构建过程中使用单目深度和将像素投影回 3D 世界来逐步构建解决方案，并通过检测训练视图与对应的渲染图像之间的 2D 对应关系，我们开发了一种统一可微的管道来完成相机注册和相机姿态与深度的调整，最后进行反投影。我们引入了高斯喷洒中预期表面的新概念，这对我们的优化至关重要。这些步骤使得我们能够获得一个粗糙的解决方案，然后可以使用标准优化方法进行低通滤波和细化。在 Tanks 和 Temples 以及 Static Hikes 数据集上，我们展示了仅使用三个广泛间隔的视图的结果，显示出明显优于竞争方法的质量，包括那些具有近似相机姿态信息的方法。此外，我们的结果在使用一半数据集时，随着视图数量的增加而改善，并且在使用 InstantNGP 和高斯喷洒算法时超过了先前的方法。

May, 2024

基于高斯喷洒的稠密视觉同时定位与建图（VSLAM）引入了一种新的框架，通过独特地将先进的稀疏视觉里程计与稠密高斯喷洒场景表示相结合，从而消除了依赖于深度图的限制并增强了跟踪的稳健性。我们的系统在各种合成和真实数据集上的评估证明了其姿态估计的准确性超越了现有方法，达到了最先进的性能，并且在新颖视角合成保真度方面胜过以前的单目方法，与利用 RGB-D 输入的神经 SLAM 系统的结果相匹配。

May, 2024

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

推导的 GaussianCube 是一种结构化 GS 表征，通过优化输运将高斯函数排列成预定义的体素网格，实现了高质量的拟合结果和生成建模。

Mar, 2024

本文提出一种稀疏感知的最优传输 (SOT) 准则，通过利用 OT 框架中的降级疏松性，可以在无监督的恢复学习中显着提高性能，特别是在超分辨率和去雾等任务上。实验结果表明，SOT 可以在这些任务中显著优于现有的无监督方法，接近于最优监督方法的表现。

Apr, 2023

通过将神经有向距离场（SDF）与三维高斯光斑（3DGS）相结合，我们提出了一个统一的优化框架，用于在室内场景中进行高质量的重建和实时速度的渲染。

May, 2024

提出了基于 3D 高斯喷砂的少样本视角合成方法，通过高效地合成视图实现实时和照片般逼真的视角合成，方法称为 FSGS，通过设计精巧的高斯解卷积处理稀疏初始化的 SfM 点，通过分布新的高斯函数填补空白区域中的局部细节，在高斯优化过程中整合大规模预训练的单眼深度估计器，通过在线增强视图引导几何优化达到最优解，FSGS 在包括 LLFF、Mip-NeRF360 和 Blender 在内的各种数据集上实现了最先进的性能，包括准确性和渲染效率。

Dec, 2023

提出了一种基于 3D 高斯喷洒的密集 RGBD SLAM 系统，该系统具有度量准确的位姿跟踪和视觉逼真的重建。

Mar, 2024

本文提出了一种基于深度神经网络的后验不确定性估计方法，通过辅助损失函数的梯度来估计不确定性，避免依赖于地面真实信息的损失定义，可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果，并且模型和代码都可以在该链接公开获取。

Aug, 2022