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

本文提出了一种新颖的深度学习架构，用于从视频中进行概率未来预测。该模型可以预测城市场景中的未来语义、几何和运动，并将此表示用于控制自动驾驶车辆。

Mar, 2020

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

为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

Nov, 2019

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

该论文提出了一种新型的人类运动预测任务，针对多人运动、社交交互和关节运动的复杂性，提出了一种模型框架，通过引入可学习的潜在编码来表示未来动作的意图来实现不同层次的独立个体运动和社交交互建模，在多个数据集上得到了显著的多人预测结果，表现显著优于现有技术水平。

Jun, 2023

我们提出了一种新颖的可动画化的三维高斯模型，用于实时渲染高保真度的自由视角人体动作。与现有的基于 NeRF 的方法相比，该模型具有更好的能力，在视频帧之间合成高频细节时没有抖动问题。我们的模型的核心是一种新型的增强型三维高斯表示，通过将每个高斯附加一个可学习的代码，该可学习代码作为姿态相关的外观嵌入，用于纠正由于高斯的几何变换而导致的错误外观，在此基础上，学习一种外观细化模型来产生匹配目标姿态的剩余高斯属性。为了使高斯仅学习到人体前景而不受背景干扰，我们进一步设计了一种新型的 Alpha 损失来明确约束高斯在人体内部。我们还提议共同优化人体关节参数以提高外观准确性。此可动画化的三维高斯模型可以通过浅层 MLP 进行学习，因此可以实时合成新的人体动作（平均每秒 66 帧）。实验证明，我们的模型优于基于 NeRF 的方法。

Nov, 2023

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

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

本文提出了将视频观察结果分解为静态和动态部分，分别建模于场景结构和车辆主体运动、动态物体运动，来分离结构和运动的影响，从而更好地预测复杂驾驶场景中的未来运动。

Mar, 2022