3D Gaussian primitives
PulseAugur coverage of 3D Gaussian primitives — every cluster mentioning 3D Gaussian primitives across labs, papers, and developer communities, ranked by signal.
-
新 AI 方法从单张图像创建可驱动的 3D 人体头像
研究人员开发了 DiGS-Avatar，一种从单张图像创建可驱动 3D 人体模型的新颖方法。该方法将任务重新构建为 UV 潜在空间补全问题，利用扩散模型增强生成质量，并采用师生框架确保 3D 一致性。DiGS-Avatar 在一秒内即可重建出高保真度和泛化能力强的详细 3D 人体头像。
-
G-Skin框架使用生成式视觉先验知识进行三维高斯动画
研究人员开发了G-Skin，一个用于动画化三维高斯表示的新型生成式蒙皮框架。该方法通过使用由二维视觉基础模型驱动的、可骨骼控制的图像生成模型来创建伪引导，从而解决了三维绑定数据稀缺的问题。该框架结合了感知几何的正则化，以确保稳定的学习和流畅的蒙皮权重，并在大量实验中展示了优于现有方法的性能。
-
新的ROADGS-T框架增强了自动驾驶的道路测绘能力
研究人员推出了一款名为ROADGS-T的新型大规模路面测绘框架，旨在提升自动驾驶能力。该系统利用自适应网格高斯表示，将2D高斯曲面放置在网格上以存储颜色、语义和几何数据。与现有方法相比，该方法通过更好地匹配路面和减少冗余图元，提高了重建质量和效率。它还包含一种轨迹一致性引导策略，用于姿态鲁棒性优化，从而在复杂道路环境中提高精度。
-
综述回顾了3D医学场景补全的十年演变
一篇近期的综述论文详细介绍了过去十年3D医学场景补全的进展，追溯了其从几何建模到复杂生成范式的演变。该论文重点介绍了关键的表示技术，包括体素网格、点学习、隐式神经场和Transformer网络，最终发展到当前将扩散模型与高斯溅射实时渲染相结合的方法。研究人员开发了一个分类法来对这些贡献进行分类，并确定了下一代系统面临的持续挑战和未来的研究方向。
-
高斯查找表方法提供连续、可编辑的颜色转换
研究人员推出了一种新颖的 3D 高斯查找表（GLUT）颜色转换方法，它提供了一种连续且显式的表示。与传统的基于网格的查找表不同，GLUT 使用可学习的 3D 高斯基元来实现灵活的容量和紧凑的内存占用。这种方法提高了可解释性，并允许在不完全重新训练的情况下进行局部编辑，在准确性和效率方面优于以前的神经查找表表示。