CityGaussian employs a divide-and-conquer training approach and Level-of-Detail strategy for efficient large-scale 3D Gaussian Splatting training and rendering, achieving state-of-the-art rendering quality in real-time across various scales.

Apr, 2024

通过优化 3D 高斯喷涂技术，我们提出了 EfficientGS 方法，针对高分辨率和大规模场景，通过选择性策略和剪枝机制，将模型大小减小为传统 3D 高斯喷涂的十分之一，同时保持高渲染保真度。

Apr, 2024

3D 高斯喷墨（3DGS）是由于其出色的视觉效果和渲染速度而变得越来越受欢迎的三维重建技术。我们介绍了 Grendel，这是一个分布式系统，旨在将 3DGS 参数划分并在多个 GPU 上并行计算，以处理高分辨率和大规模的 3D 重建任务。通过在像素分区之间进行稀疏的全对全通信和动态负载平衡，Grendel 能够在多个视图中支持批量训练，以提高渲染质量。在大规模、高分辨率场景的评估中，使用多个 GPU 上的扩展 3DGS 参数，我们在 Rubble 数据集上将测试 PSNR 从单个 GPU 的 11.2 百万高斯值的 26.28 提高到了使用 16 个 GPU 分布的 40.4 百万高斯值的 27.28。Grendel 是一个开源项目，可以在此 https URL 找到。

Jun, 2024

通过在有限预算内进行训练和渲染，提出了一种改进的 3D 高斯粉碎（3DGS）模型，实现了较快速、高质量的新视图合成，并减少了模型大小和训练时间。

Jun, 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

提出了 Super-Resolution 3D Gaussian Splatting (SRGS) 方法，通过在高分辨率空间中进行优化，引入亚像素约束并与预训练的 2D 超分辨率模型集成，以有效增强原语的表示能力。在 HRNVS 方面实现高质量渲染，优于 Mip-NeRF 360 和 Tanks ＆ Temples 等挑战性数据集上的现有方法。

Apr, 2024

基于神经渲染技术，本研究提出了一种使用 3D Half-Gaussian 核的方法，以改进当前 3D Gaussian splatting 方法的性能，在不影响渲染速度的情况下，在多个数据集上获得了最先进的渲染性能。

Jun, 2024

Fed3DGS 是一个基于 3D 高斯喷洒（3DGS）与联邦学习的可扩展三维重建框架，其采用分散式架构并利用数以百万计的客户端上的分布式计算资源，通过定制的蒸馏模型更新方案和外观建模技术来处理非独立同分布数据，在大规模基准测试中呈现出与集中式方法相当的图像质量，并能捕捉到由季节变化引起的场景变化。

Mar, 2024

使用量化嵌入技术和粗到精的训练策略，大幅降低内存存储需求，实现了高分辨率场景的实时渲染和更快更稳定的高斯点云优化，减少了记忆存储量并保持重建质量，验证表明效果显著。

Dec, 2023

本文介绍了一种利用高斯表示三维生成对抗网络（3D GANs）的生成器架构，通过引入分层多尺度高斯表示有效地规范了生成高斯分布的位置和尺度，实现了显著更快的渲染速度，并具备可比较的三维生成能力。

Jun, 2024