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

DNGaussian 是一种基于 3D 高斯辐射场的深度正则化框架，能够以较低成本实时高质量地进行少样本新视角合成，通过硬和软深度正则化以及全局 - 局部深度归一化等方法，恢复精确的场景几何和细节几何重塑，性能优于现有方法。

Mar, 2024

通过引入基于平面的高斯点云猜测（PGSR）方法，本研究旨在实现高保真度的表面重建和高质量的渲染，以解决基于 3D 高斯斑点（3DGS）的重构方法中普遍存在的质量问题。实验结果表明，与基于 3DGS 和 NeRF 的方法相比，我们的方法在快速训练和渲染的同时保持了高保真度的渲染和几何重建效果。

Jun, 2024

神经隐式表面重建方法通过引导来自三维高斯化簇粘附的点云，结合来自神经隐式模型的表面预测精炼来提高细节的重建效果。

Dec, 2023

我们提出了一种新颖的基于点的表示方法，高斯 surfels，通过直接将 3D 高斯点的 z 缩放设置为 0，将原始的 3D 椭球形状变为 2D 椭圆，进而提供了对优化过程的明确指导，从而在优化稳定性和表面对齐方面取得了显著的改进。我们还设计了一个自监督的法线深度一致性损失，以解决由于该设置使得从协方差矩阵计算得到的法线方向导数为零的问题。通过引入单目法线和前景蒙版，我们提高了重建质量，并缓解了与高光和背景相关的问题。此外，我们提出了一种用于聚合高斯 surfels 信息以去除通过 alpha 混合生成的深度图中的错误点的容积切割方法。最后，我们应用屏蔽泊松重建方法提取了表面网格。实验证明，与最先进的神经体积渲染和基于点的渲染方法相比，我们的方法在表面重建方面表现出卓越的性能。

Apr, 2024

高斯飞溅在新视角合成方面已被证明具有很高的效果，但对于重建细节丰富的 3D 形状尚未充分探索。本研究介绍了一种栅格化方法来渲染通用 3D 高斯飞溅的深度图和表面法线图，大大提高了形状重建的准确性，并保持高斯飞溅的计算效率。该方法在 DTU 数据集上达到与 NeuraLangelo 相当的 Chamfer 距离误差，并保持与传统高斯飞溅相似的训练和渲染时间。该方法是高斯飞溅的重要进展，可以直接集成到现有的基于高斯飞溅的方法中。

Jun, 2024

MVSGaussian 是一种新的通用化的三维高斯表示方法，通过多视点立体视觉 (MVS) 有效重建未见过的场景，具有实时渲染速度和良好的综合质量。

May, 2024

使用有效等级分析方法解决 3D 高斯图元收敛为针状形状的问题，并且通过引入有效等级作为正则化方法，提高了法线和几何重建的质量，减少了针状伪影。

Jun, 2024

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

我们提出了一种方法，可以从 3D 高斯散点图中精确且非常快速地提取网格。该方法使用高斯散点图进行实际渲染，相较于 NeRFs 具有更快的训练速度。我们首先引入了一个鼓励高斯散点图与场景表面对齐的正则项，然后利用此对齐性通过 Poisson 重建方法从高斯散点图中提取网格，该方法快速、可扩展且能保留细节信息，与通常用于从神经隐式函数中提取网格的 Marching Cubes 算法形成对比。最后，我们引入了可选的优化策略，通过高斯散点图渲染将高斯散点图与网格表面绑定，在传统软件中通过操纵网格而非高斯散点图本身实现了易于编辑、雕刻、绑定、动画制作、合成和调光。与基于神经隐式函数的最先进方法相比，我们的方法可在几分钟内获取逼真渲染所需的可编辑网格，而不是使用数小时。同时，我们的方法提供更好的渲染质量。

Nov, 2023