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

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

我们提出了一种从稀疏训练视角中训练一致的基于3DGS的辐射场的方法，通过集成深度先验、生成和显式约束来减少背景折叠、移除浮点值，并增强来自未见视角的一致性，实验证明我们的方法在MipNeRF-360数据集上以较少的训练和推理成本超过了基本的3DGS的30.5%和基于NeRF的方法的15.6%。

Nov, 2023

3D高斯喷洒是一种能够实时渲染的、可控且可编辑的3D重建和表示方法，通过显式场景表示和可微分的渲染算法，提供了独特的优势，为下一代3D重建和表示技术带来了潜在的变革。本文首次系统综述了3D高斯喷洒的最新进展和重要贡献，包括其背后的原理、应用可行性以及各类基准任务下的性能和实用性评估，并指出当前挑战和未来研究的发展方向。

Jan, 2024

通过使用各向异性球形高斯场而不是球谐函数来建模每个3D高斯的视角相关外观，我们引入了Spec-Gaussian，该方法通过提出粗到精的训练策略和消除实际场景中过拟合引起的漂浮点来提高学习效率，并在渲染质量上超过了现有方法。

Feb, 2024

通过矩阵和张量分解技术，我们提出了一种新方法，即因式化三维高斯粒子点描（F-3DGS），通过高效的因式化，大大减少了存储需求，同时保持了渲染图像的质量。

May, 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

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

通过对3D高斯散射方法进行内存优化以减少存储和传输需求，提出了使用高斯基元、球面谐波系数和编码簿量化的解决方案，从而在标准数据集上实现了27的整体大小减少和1.7的渲染速度加快。

Jun, 2024

本研究解决了3D高斯点云渲染中高保真度图像所需的高内存和存储的问题。通过提出可学习的掩码策略和基于网格的神经场表示，显著减少了高斯点的数量，同时保持性能表现。我们的方法在静态场景中存储需求降低超过25倍，并在动态场景中实现超过12倍的存储效率，同时保持高质量重建。

Aug, 2024