3D Gaussian splatting
PulseAugur coverage of 3D Gaussian splatting — every cluster mentioning 3D Gaussian splatting across labs, papers, and developer communities, ranked by signal.
- instance of ScienceCast 90%
- instance of Gotit.pub 90%
- instance of Gaussian splatting 90%
- uses Simultaneous localization and mapping 90%
- instance of 3D Gaussians 90%
- instance of replica 90%
- used by Simultaneous localization and mapping 80%
- instance of DagsHub 70%
- instance of alphaXiv 70%
- instance of Neural Radiance Fields 70%
- used by SCANNET 70%
- developed by Simultaneous localization and mapping 70%
- 2026-05-15 research_milestone Publication of a research paper introducing a new method for robust prior-guided segmentation for editable 3D Gaussian Splatting. 来源
17 天有情绪数据
-
新的GS-Net模块通过更快的3DGS提升自动驾驶数据重用性
研究人员开发了GS-Net，一个旨在增强不同自动驾驶车辆间数据重用性的新型模块。该即插即用系统聚合了来自稀疏运动恢复（Structure-from-Motion）点云的几何上下文，并将其扩展为密集的高斯图元，从而为3D高斯泼溅（3D Gaussian Splatting）实现更快、更具泛化性的初始化。GS-Net显著提高了内插和外插视图的渲染质量，解决了目标相机视角位于训练相机凸包之外的、研究不足的外插区域问题。为了便于评估，该团队还…
-
TopoSurfel 框架将高斯飞溅与网格重建联系起来
研究人员开发了 TopoSurfel，这是一个连接 3D 高斯飞溅 (3DGS) 和基于网格的表面重建之间差距的新框架。与以往因 3DGS 的离散性质而在无纹理或遮挡区域经常出现伪影的方法不同，TopoSurfel 使用可微分的等值面提取过程动态提取连续网格。这种连接能够实现高斯曲面片的网格引导演化，从而改善法线对齐和密度控制，以减少伪影和填充孔洞。该框架还结合了混合重新初始化策略，以在大型环境中实现鲁棒重建，从而获得具有竞争力的几何…
-
稀疏光场采样提升3D和4D重建质量
研究人员开发了一种利用多视角稀疏光场采样进行3D和4D重建的新方法。该方法分析了传感器受限和曝光受限的多视图场景，证明即使相机之间的基线很低，也能显著提高单次拍摄、少数拍摄和随意视频设置下的重建质量。研究结果表明，在曝光稀缺的情况下，角度采样可以提高重建质量，特别是对于缺乏足够角度多样性的单摄像机动态场景。
-
新的3DGART框架加速光线追踪高斯渲染训练
研究人员开发了3DGART，一种新的光线追踪高斯渲染训练框架，可显著加快该过程。通过将反向传播从以像素为中心的方法重新组织为以图元为中心的方法，3DGART减少了线程争用和串行化。与每像素基线相比，该方法在Mip-NeRF 360基准测试上实现了3-3.5倍的训练加速，并提高了质量，使得完全光线追踪的高斯训练成为可能。
-
VoroTracing实现实时光线追踪速度，超越光栅化
研究人员开发了VoroTracing，一种新颖的可微分Voronoi光线追踪技术，实现了实时渲染速度，超越了传统的光栅化方法。这种新方法分析遍历长度和内存局部性等因素来优化场景表示和GPU执行。在Mip-NeRF 360等基准测试中，VoroTracing的吞吐量显著高于现有的基于光线的方法，甚至优于3D高斯泼溅，同时支持景深和滚动快门等复杂效果，而无需专门的光栅化。
-
新的SPVC框架修复自动驾驶场景中的渲染伪影
研究人员开发了SPVC，一个新颖的框架，旨在修复渲染的驾驶场景中的伪影，特别是那些使用3D高斯溅射生成的场景。该方法解决了模糊结构、时间闪烁以及前景和背景元素之间错位等问题。SPVC通过利用显式的空间条件（如相机姿态、3D边界框和高清地图）来运行，并纠正背景场景元素和前景车辆外观。该框架是基于跨数据集进行训练的，使其能够在多个驾驶数据集上运行，而无需进行数据集特定的调整。
-
DiffSoup 简化 3D 辐射场以实现高效渲染
研究人员推出了一种新颖的辐射场表示方法 DiffSoup，旨在实现高效的 3D 模型简化。该方法使用少量带有神经纹理和二元不透明度的三角形，可以通过随机掩码直接微分，从而实现稳定训练。DiffSoup 与标准图形管线兼容，可以在消费级笔记本电脑和移动设备上进行交互式渲染。
-
SplatGuide 使用 3D 高斯实现无姿态新视角合成 · arXiv
研究人员推出 SplatGuide，一种从无姿态图像生成照片级新视角的新方法。该方法利用 3D 高斯的几何先验，重用单个 3D 高斯泼溅 (3DGS) 场景以扮演多种角色。渲染图像提供几何条件，每个高斯源视图索引实现遮挡感知的参考选择，重建令牌提供特征级引导。SplatGuide 在多个基准测试中取得了最先进的成果，包括 RealEstate10K、DL3DV、Tanks-and-Temples 和 Mip-NeRF 360，甚至在 …
-
新的QAGaussian框架增强了3D高斯溅射分割
研究人员开发了QAGaussian，一个旨在改进3D高斯溅射（3DGS）环境中开放词汇指代分割的新颖框架。与依赖简单文本-区域相似度的先前方法不同，QAGaussian采用了查询自适应神经推理过程。这包括学习查询条件高斯槽、构建关系感知图进行证据传播，以及利用粒度自适应路由器进行精细分割。该框架在独立基准测试中表现出卓越的性能，在平均mIoU和F1分数等关键指标上优于现有的3DGS指代基线，同时减少了目标-参考混淆。
-
新的TR-GS框架通过t分布高斯泼溅增强稀疏视图CT渲染
研究人员开发了TR-GS，一种用于稀疏视图计算机断层扫描（CT）数据高保真体积渲染的新型框架。该方法利用t分布高斯泼溅基元和射线置信度模型来提高重建精度并减少因投影数据有限而常出现的伪影。TR-GS还结合了置信度引导的3D小波正则化，以增强细节保留和噪声抑制，在合成和真实世界数据集上均显示出优于现有方法的性能。
-
新的AI模型提升视频生成质量和效率 · 跟踪4个来源
研究人员开发了新的方法来提高AI生成视频的质量和效率。Stream4D通过使用显式建模场景动态的4D重建奖励来解决自回归扩散模型中的几何漂移问题，从而实现更好的运动保持和更高的人类偏好度。FrescoDiffusion通过结合平铺去噪和预计算的潜在先验来维持全局一致性和精细细节，解决了生成4K等超高分辨率视频的挑战。此外，Spectral Progressive Diffusion提供了一个用于高效图像和视频生成的框架，通过在扩散模型…
-
GaussMemory：用于任务驱动机器人记忆的新型3D高斯飞溅
研究人员推出GaussMemory，这是一种利用3D高斯飞溅进行任务驱动空间记忆的新型机器人操作方法。与以往的被动系统不同，GaussMemory在端到端学习过程中主动学习跟踪哪些对象、如何更新它们以及丢弃什么。这种主动记忆系统在LIBERO和VLABench等基准测试中表现出色，在长时程机器人任务中优于现有方法。
-
GS-Voxel框架支持从非结构化数据生成可扩展的3D场景
研究人员开发了GS-Voxel，一个旨在将非结构化的3D高斯泼溅（3DGS）重建转换为结构化潜在表示的新型框架。该方法通过利用图像条件流模型，实现了大规模3D场景（特别是航空环境）的可扩展生成。与需要每场景优化的先前方法不同，GS-Voxel确定性地将现有的3DGS数据转换为稀疏体素，将几何和属性编码到随占用体素增长而非固定图元数量增长的潜在表示中。
-
3D高斯溅射技术向具身AI发展，兼具效率与适应性
研究人员正将3D高斯溅射（3DGS）从高质量渲染推进到具身AI和机器人领域的实际应用。CVPR 2026 上展示的最新研究专注于使3DGS在现实世界部署中更高效、更具适应性。创新包括用于快速场景生成的前馈网络，以及根据计算资源自适应控制高斯基元密度。
-
LatentAM框架通过集成VLM实现机器人实时感知
研究人员推出LatentAM，一个用于实时、大规模3D高斯泼溅映射的新型框架。该系统专为开放词汇机器人感知而设计，能够处理流式RGB-D观测以构建可扩展的隐式特征图。LatentAM采用一种模型无关且无需预训练的在线字典学习方法，允许在测试时与各种视觉语言模型无缝集成。与现有方法相比，该框架实现了显著更好的特征重建保真度和近乎实时（near-real-time）的速度。
-
NVIDIA 使用 3D 高斯溅射技术用于机器人训练环境
NVIDIA 正在探索物理 AI 与 3D 高斯溅射 (3DGS) 的交叉点，以创建先进的机器人训练环境。通过利用 360 度摄像头，他们旨在开发更逼真的模拟来训练机器人，从而可能弥合模拟与现实世界性能之间的差距。
-
Insta360 X6 凭借 AI 和 3D 功能，在十年后重新定义全景相机
Insta360 推出了其新款旗舰全景相机 X6，标志着公司首款全景相机问世十年。X6 集成了全景、云台和第一人称头动追踪等多种相机类型，并引入了 AI Director 和 3D Time Capsule 功能。这些进步旨在通过自动化编辑和实现空间重建来简化内容创作，超越传统全景拍摄。
-
Seed2GS 方法无需训练或相机即可从 3D 场景中提取对象
研究人员开发了 Seed2GS，一种从 3D 高斯泼溅场景中提取对象的新颖方法，无需相机信息或场景特定训练。该方法将对象身份与 3D 覆盖范围分开，使用 QD-SAM3 选择可靠的参考掩码，然后采用种子提升和可见性自适应虚拟轨道从新视角中暴露对象。Seed2GS 在 LERF-MASK 和 3D-OVS 等基准测试中取得了高精度，与现有方法相比处理速度明显更快。
-
新的3D高斯溅射方法增强驾驶场景重建
两篇新研究论文介绍了使用3D高斯溅射进行单帧环绕视图驾驶重建的新方法。第一篇论文VGGD利用视觉几何基础模型来提高几何稳定性和渲染质量，特别是在相机重叠稀疏的区域。第二篇论文LGS则专注于通过使用干预引导策略来学习如何致密高斯表示并显式聚合跨时间特征，从而增强高斯结构和原始属性。
-
TRACE-GS框架利用特权几何增强稀疏视图3DGS恢复
研究人员推出了一种新颖的TRACE-GS框架，旨在改进3D高斯溅射（3DGS）恢复，特别是在输入视图有限的情况下。该方法采用策略内轨迹蒸馏，在训练过程中利用特权几何信息来指导扩散过程。通过对去噪方向和跨视图响应进行对齐，TRACE-GS在各种数据集和稀疏视图条件下实现了持续的收益和鲁棒的泛化能力。