我们提出了一种紧凑的场景表示方法，将三维高斯扩散模型的参数组织成具有局部均匀性的二维网格，从而实现了存储需求的大幅度降低，同时在渲染过程中不影响视觉质量。

Dec, 2023

使用一组高斯椭球来模拟场景，从而实现高效渲染，3D 高斯喷涂表示法具有快速渲染、动态重建、几何编辑和物理模拟等优点。本文通过对最近的 3D 高斯喷涂方法进行文献综述，提供了一个 3D 高斯喷涂方法的分类，包括 3D 重建、3D 编辑和其他功能应用，以及传统的基于点的渲染方法和 3D 高斯喷涂的渲染公式，旨在帮助初学者快速了解这一领域并为经验丰富的研究者提供全面的概述，以推动 3D 高斯喷涂表示法的未来发展。

Mar, 2024

通过将网格体积与 3D 高斯喷洒（3DGS）管道结合，提出了一种名为 HO-Gaussian 的混合优化方法，以克服使用初始结构运动（SfM）点的依赖性，从而使得在城市场景中进行渲染成为可能，并且引入了点密度化来提高在训练期间出现问题的区域的渲染质量。此外，我们引入了高斯方向编码作为渲染管道中球面调和的替代方法，从而实现了视角相关的颜色表示。为了解决多相机系统的问题，引入了神经翘曲以增强不同相机之间的物体一致性。在广泛使用的自动驾驶数据集上的实验结果表明，HO-Gaussian 在多相机城市数据集上实现了实时照片级渲染。

Mar, 2024

通过使用层次结构的三维高斯，本研究提出了一种在非常大的场景中保持视觉质量的方法，同时提供了有效的远程内容的适当级别选择和平滑过渡的有效细节解决方案。

Jun, 2024

通过优化 3D 高斯飞溅表示法，将高保真度场景重建应用于稀疏图像集合的新视角合成，并通过压缩的 3D 高斯飞溅表示法，在显著降低内存消耗和提高渲染效率的基础上，实现了对方向性颜色和高斯参数进行压缩。在多个数据集上进行广泛实验，证明了该方法的鲁棒性和渲染速度。

Nov, 2023

LightGaussian is a novel method for efficient 3D representation that reduces redundancy, distills spherical harmonics, and employs a hybrid quantization scheme, achieving high compression rates and improved FPS in complex scenes.

Nov, 2023

通过学习性的掩码策略和向量量化，我们减少了高斯点的数量和占用的存储空间，实现了高性能、快速训练、紧凑且实时的渲染，提供了一个全面的三维场景表示框架。

Nov, 2023

我们提出了三个关键要素，可实现高质量的实时（大于等于 30 帧 / 秒）1080p 分辨率的新视图合成，其中包括使用 3D 高斯函数表示场景、优化 3D 高斯函数的相关参数以准确表示场景，并开发了一种快速的可见性感知渲染算法，以加速训练并实现实时渲染。

Aug, 2023

提出了一种名为 CompGS 的高效的三维场景表示方法，通过使用紧凑的高斯原始形式，实现了对三维场景建模过程中数据大小的显著降低。通过设计一种捕获彼此之间预测关系的混合原始结构，利用少量的锚原始形式进行预测，并将大多数原始形式封装成高度紧凑的残差形式。此外，还开发了一种受速率约束的优化方案，以在比特率消耗和表示效能之间实现 CompGS 的最佳权衡。实验证明，所提出的 CompGS 在三维场景表示中明显优于现有方法，在不损害模型准确性和渲染质量的情况下实现了卓越的紧凑性。我们的代码将在 GitHub 上发布供进一步研究使用。

Apr, 2024

融合了 3D 高斯喷洒与八叉树隐式表面表示的新方法用于重构精确几何，尤其适用于受强照明影响导致的镜面高光图像。

Jun, 2024