本研究探索了在大规模高分辨率数据集上训练高参数 3D 高斯喷溅（3DGS）模型的可能性，并设计了一种称为 RetinaGS 的通用模型并行训练方法，通过使用适当的渲染方程式可适用于任何场景和任意高斯图元分布，能够探索以前难于探索的 3DGS 的原始数量和训练分辨率的缩放行为以及超越以往最先进的重建质量，观察到使用我们的方法增加原始数量时视觉质量明显提高的积极趋势，同时我们还首次尝试在全矩阵城市数据集上训练了一个超过十亿个图元的 3DGS 模型，达到了有希望的视觉质量。

Jun, 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

我们提出了 DoGaussian 方法，该方法通过将场景分解为 K 个块并在 3DGS 的训练过程中引入交替方向乘子方法（ADMM），在主节点上维护一个全局 3DGS 模型和 K 个从节点上的本地 3DGS 模型，从而加快了在大规模场景中的 3DGS 训练速度 6 倍以上，并同时实现了最先进的渲染质量。

May, 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

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

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

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

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

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

本文介绍了一种将 NeRF-based 3D-aware GANs 的高渲染质量与 3D Gaussian Splatting 的灵活性和计算优势相结合的新方法。通过训练一个解码器，将隐式的 NeRF 表示映射到显式的 3D Gaussian Splatting 属性，我们可以首次将 3D GANs 的代表性多样性和质量整合到 3D Gaussian Splatting 的生态系统中。此外，我们的方法还允许高分辨率 GAN 反演和实时 GAN 编辑与 3D Gaussian Splatting 场景的结合。

Apr, 2024