本地高斯点管理
提出了一种名为 Pixel-GS 的新方法，通过考虑每个视图中高斯函数覆盖的像素数量来计算增长条件，从而促进大型高斯函数的增长，实现了更精确、更详细的重构，同时保持实时渲染速度和最新的渲染质量。
Mar, 2024
本文提出了一种更加原则性、像素误差驱动的 3D 高斯喷洒（3DGS）中密度控制方法，解决了自适应密度控制（ADC）的局限性，并在新视角合成中实现高质量、逼真结果。
Apr, 2024
通过学习去除迭代 3D 高斯投射法（LP-3DGS）提供了一种自动寻找最佳裁剪比例的方法，该方法使用可训练的二进制掩码来对重要性分数进行裁剪，并通过重新设计掩码函数以利用 Gumbel-Sigmoid 方法使其可微分并与现有的 3D 高斯投射法训练过程兼容，从而在效率和质量之间提供了良好的平衡。
May, 2024
通过应用渐进传播策略，并利用场景的先验知识和块匹配技术，我们提出了一种名为 GaussianPro 的新方法，来指导 3D 高斯聚类的密度化，验证实验证明了我们的方法在大规模和小规模场景上的有效性。
Feb, 2024
通过引入轻量级 4D 高斯光斑框架（LGS），该研究解决了在资源有限的手术设备中妨碍实时渲染的存储问题，并在动态内窥镜重建中展现出较高的压缩率、良好的视觉质量和实时渲染效率。
Jun, 2024
本论文提出了一种基于预训练的 3D 高斯扩散（3D-GS）模型的减枝和优化管道，利用精确的空间敏感度准则，大幅削减高斯分布数量，极大地提升了渲染速度并保持了前景信息和图像质量。
Jun, 2024
提出了一种名为 Superpoint Gaussian Splatting（SP-GS）的新框架，该框架通过使用显式的 3D 高斯函数来重构场景，并将具有相似属性的高斯函数聚类成超点，从而实现了对动态场景的实时渲染，获得了最新的视觉质量。
Jun, 2024
通过使用 3D 高斯平铺方法，结合 LiDAR 和相机数据，本研究提出了一种新颖的系统用于 3D 制图和视觉重定位，能够创造环境的准确且逼真的表示。通过利用 LiDAR 数据来初始化 3D 高斯平铺地图的训练，本系统构建了既详细又几何精确的地图。通过组合 2D 体素地图和 KD 树，以减少 GPU 内存使用和实现快速空间查询，从而使我们的方法适用于视觉定位任务，并能够通过归一化交叉相关 (NCC) 在高斯平铺地图和查询图像之间高效地识别对应关系。此外，通过基于特征匹配和透视点（PnP）技术来细化查询图像的相机姿势。通过对 KITTI360 数据集的广泛评估，证明了我们系统的有效性、适应性和精确性。
Mar, 2024
我们提出了 Point'n Move 方法，通过暴露区域修复实现交互式场景对象操作。方法采用高斯飞溅辐射场作为场景表示，并充分利用其明确性和速度优势，通过 2D 提示点到 3D 掩码的双阶段自我提示分割算法来提供互动性，所进行的掩码细化和合并，最小化变化，并为场景修复提供良好的初始化，实时编辑而无需每次编辑训练，从而获得卓越的质量和性能。我们将该方法在正向和 360 度场景上进行了测试，并与现有的场景对象移除方法进行了比较，结果显示出卓越的质量和速度优势。
Nov, 2023