- 高斯森林：压缩场景建模的分层混合 3D 高斯飞溅
介绍了高斯森林建模框架，该框架通过在复杂区域中进行详细表示并显著减少所需的高斯模型数量，从而实现了与现有方法相媲美的速度和质量，并且在压缩比方面取得了 10 倍以上的显著进展。
- 城市区域的动态三维高斯场
我们提出一种高效的神经 3D 场景表示方法，用于大规模、动态的城市地区的新视点合成 (NVS)。该方法可以适用于混合现实或闭环仿真等应用，具有较高的可视质量和交互式渲染速度。我们引入 4DGF，一种适用于大规模动态城市地区的神经场景表示方法 - Event3DGS: 快速自运动的事件驱动 3D 高斯点插值
通过利用事件相机的高时间分辨率和显式的基于点的表示，Event3DGS 可以在快速自我运动下仅根据事件流重建高保真度的 3D 结构，并通过稀疏感知的采样和渐进训练方法获得更好的重建质量和一致性，同时通过将运动模糊形成过程显式地结合到可微分的 - CVPR神经定向编码用于高效准确的视角相关外观建模
表面纹理质感特效物体的新视图合成科研，基于 Neural Directional Encoding 的神经辐射场 (NeRF) 表面编码，提升了高频角信号建模能力，并通过空间特征锥追踪获得不均匀的方向编码以处理复杂的交互反射效应。通过实验验 - 对比高斯聚类：弱监督的三维场景分割
引入了对比高斯聚类的新方法，能够从任何视角提供分割掩模，并实现场景的三维分割。
- CVPRNeRFCodec：神经特征压缩与神经辐射场相结合的高效内存场景表示
通过使用非线性转换、量化和熵编码实现记忆高效的场景表示，我们提出了 NeRFCodec ，这是一个端到端的 NeRF 压缩框架，它利用预训练的神经 2D 图像编解码器对特征进行压缩，从而使得我们能在 0.5 MB 的内存预算下实现高质量的新 - 通过新型立体视角从高斯点云实现的曲面重建
从高斯图形点渲染模型进行表面重构的方法能够产生更准确、更详细的重建结果，并且相较于其他方法，其计算时间更短。
- INPC：用于辐射场渲染的隐式神经点云
我们介绍了一种新的方法，用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同，我们提出了一种混合场景表示，它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做，我们结合了两个世界的优 - Zero123-6D：RGB 类别级别 6D 姿态估计的零样本新视角合成
通过将 Diffusion 模型与特征提取技术相结合，本文提出了 Zero123-6D 方法，并在 CO3D 数据集上进行了实验，展示了在类别级别上通过扩展稀疏的纯 RGB 参考视图来提高零侧位姿估计性能、减少数据需求以及消除对深度信息的需 - 基于深度引导的鲁棒快速稀疏输入视图点云融合 NeRF
通过深度引导的稀疏输入点云融合构建的辐射场点云可以有效地解决深度图的不准确性和低时间效率问题，实验证明该方法在性能和效率上优于现有技术。
- CVPR多视角一致性插值去噪视图融合
通过扩散模型进行新视图合成表现出了出色的潜力，然而这些常见方法中图像生成的独立过程导致在保持多视图一致性方面存在挑战。为了解决这个问题，我们引入了 ViewFusion，这是一种新颖的、无需训练的算法，可以无缝地集成到现有的预先训练好的扩散 - IRIS：从低动态范围图像中反渲染室内场景
从多视角、低动态范围（LDR）图像中恢复场景的基于物理的材质属性和空间变化的高动态范围（HDR）照明，实现了高度逼真的重照和物体插入。
- NViST：使用 Transformers 从单张图像中合成真实环境新视角
我们提出了一种基于 transformer 的模型 NViST，用于从单张图像中合成新视角，该模型在具有复杂背景的大规模野外图像数据集上进行训练。
- MuVieCAST: 多视角一致艺术风格转换
MuVieCAST 是一种模块化的多视角一致风格转换网络结构，能够在同一场景的多个视角之间实现一致的风格转换，并且支持稀疏和密集视图，适用于各种多视图图像数据集。该方法包括三个模块，分别执行与风格转换相关的特定任务，即内容保留、图像转换和多 - 高斯分组：对 3D 场景中的物体进行分割和编辑
通过识别每个高斯函数的紧凑身份编码，我们将高斯函数根据其对象实例或物体成员资格在三维场景中分组，从而实现了高质量的三维重建、分割和编辑，同时通过 SAM 的二维掩模预测和引入的三维空间一致性正则化来监督身份编码，通过 Gaussian Gr - ICCVCoRF：使用知识蒸馏进行颜色化辐射场
基于神经辐射场（Neural Radiance Field，NeRF）的方法可以对多视角图像进行高质量的新视角合成。本研究提出了一种从输入的灰度多视角图像中合成着色的新视角的方法。通过将基于图像或视频的着色方法应用于生成的灰度新视角，我们发 - 神经辐射场的即时持续学习
神经辐射场是一种有效的新视点合成和三维场景重建方法。我们提出了一种连续学习框架，通过回放方法结合混合的显式和隐式场景表示来训练神经辐射场，从而在连续设置中优于先前方法的重建质量，并在速度上有数量级的提升。
- Sparse3D：基于稀疏视角的多视点一致性扩散物体重建
Sparse3D 是一种针对稀疏视角输入的新型三维重建方法，通过从强大的图像扩散模型提取 2D 先验，使得我们的综合模型在面对开放世界对象时仍能始终保持高质量的结果，并借助 C-SDS 技术来增强细节，实验证明了我们的方法在 NVS 和几何 - 动态 3D 高斯：通过持久动态视图合成进行跟踪
同时解决动态场景新视角合成和六自由度跟踪所有密集场景元素的方法，通过分析合成框架，模型化动态场景，并用于各种后续应用。
- 实时辐射场渲染的三维高斯喷洒
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