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 alphaXiv 90%
- instance of Gotit.pub 90%
- instance of CatalyzeX 90%
- instance of ScienceCast 90%
- instance of Gaussian splatting 90%
- uses Simultaneous localization and mapping 90%
- instance of replica 90%
- uses Multi-View Latent Diffusion Model 90%
- instance of 3D Gaussians 90%
- used by Simultaneous localization and mapping 80%
- instance of DagsHub 70%
- used by alphaXiv 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
14 天有情绪数据
-
New AI framework SPLATIFY converts 3DGS papers into trainable code
Researchers have developed SPLATIFY, a novel multi-agent framework designed to automatically convert 3D Gaussian Splatting (3DGS) research papers into functional, trainable code. This system addresses the challenge of r…
-
SteadySplats 方法增强了 3D 高斯泼溅渲染质量
研究人员开发了 SteadySplats，一种提高 3D 高斯泼溅模型随机渲染保真度的新方法。该方法通过实施基于历史的空间重采样方案以加快图像收敛速度，并通过时间重要性重采样以实现连贯性，从而解决了可见噪声问题。此外，在训练过程中使用颜色正则化器来降低视线方差，即使在低样本计数下也能显著提高 PSNR 并获得高质量输出。
-
MoonGS框架使用高斯溅射重建月球表面
研究人员开发了MoonGS，一个新颖的3D高斯溅射框架，用于从稀疏的火星车图像中高质量地重建月球表面。该框架可以在单次前向传播中生成照片般逼真的新视图，无需每场景优化，并集成了先进的视觉基础模型来提取鲁棒的深度特征。MoonGS还结合了语义先验和熵引导重采样策略，以提高准确性和视觉质量，其性能优于现有的前馈NeRF和3DGS方法。
-
SCION 引入可复用基元以实现高效神经场景表示
研究人员开发了 SCION，一种新颖的层次化组合场景表示方法，它利用紧凑的可复用基元和实例词汇来表示复杂场景。与之前将每个元素视为独一无二的方法不同，SCION 识别并复用通用组件，显著减少了参数冗余并便于操作。这种方法能够以现有方法存储大小的一小部分实现高质量场景表示，从而无需重新训练即可进行实例级编辑和动画。
-
新研究通过改进的语义和效率推进3D高斯溅射技术 · 已追踪6个来源
多篇研究论文正在探索3D高斯溅射（3DGS）技术的进步。其中一篇论文介绍了一种训练后方法，通过分离检测器、提升过程和表示转换中的错误来改进语义提升。另一篇论文提出了DensiTok，一个用于密集化内部几何令牌的模块，以使前馈3DGS模型能更有效地处理稀疏视图。此外，一种新方法侧重于3DGS的场景无关、以对象为中心的表示学习，旨在实现更好的泛化。最后，正在进行关于具有体积次表面散射的可重照明3DGS的研究，以及通过多分辨率层次结构实现实…
-
新的 3DROID 数据集通过 3D 高斯表示增强机器人操作能力
研究人员推出了 3DROID，这是一个旨在弥合机器人操作模型中 2D 观测与 3D 物理动作之间差距的新数据集。该数据集利用可渲染的 3D 高斯表示，但解决了在相机外参不可靠时保留真实世界度量尺度方面的局限性。通过提出一个锚定重建场景到机器人度量工作区的、感知校准的流水线，3DROID 增强了新视角保真度，并提供了对机器人操作研究至关重要的场景级可靠性信息。
-
DySurface框架融合显式高斯与隐式函数，实现动态场景几何重建
研究人员推出DySurface，一个旨在提高动态场景中时间一致几何表面重建的新框架。该方法结合了显式3D高斯泼溅（3DGS）和隐式符号距离函数（SDFs）的优势。DySurface通过使用变形高斯来引导隐式SDF场，解决了纯粹光度优化方法中常见的几何模糊性挑战，从而增强了表面细节和连续性。
-
新的TSGL方法显著压缩3D高斯泼溅模型
研究人员开发了一种名为教师-学生图学习（TSGL）的新方法来压缩3D高斯泼溅（3DGS）模型。该技术在已训练的模型上运行，无需重新训练或访问原始训练图像。TSGL学习高斯图元的图表示，并使用图傅里叶变换高效编码其属性，在渲染质量损失极小的情况下实现显著的文件大小减小。
-
新方法为3D场景应用重建和去除复杂的镜头光晕
研究人员开发了一种新颖的方法来去除和重建图像中的镜头光晕，这会降低3D场景重建的质量。该方法对基于扩散的模型进行微调，以处理先前方法难以应对的大型复杂光晕。此外，该工作还引入了一个光晕表示模型和一个计算流程，该流程与3D高斯泼溅模型联合优化此模型。这使得能够将3D场景分解为其组成光晕和场景本身，从而能够编辑光晕并将其转移到新图像和场景中。
-
新研究探索4D场景重建技术 · 追踪4个来源
四篇最新的arXiv论文探讨了4D场景重建领域的进展，该领域专注于从视觉数据中捕捉不断变化的几何形状、外观和运动。Sparc4D为动态场景引入了一个紧凑的自编码器，而ARROW提出了一种用于任意重建和跟踪的前馈模型。第三篇论文提供了4D场景重建的统一视角，组织了现有方法并指出了挑战。第四篇论文HARMONI提出了一个对齐人类和场景先验的框架，以提高多视角4D重建的准确性和速度。
-
新的GPERT框架增强了基于事件的3D高斯泼溅
研究人员开发了GPERT，一种新颖的基于事件的3D高斯泼溅（3DGS）框架，可在不牺牲精度的前提下提高时间分辨率。该方法使用射线追踪和扭曲事件解耦几何和辐射渲染，在真实数据集上实现了最先进的性能。GPERT无需先验信息或COLMAP初始化即可运行，在事件选择方面具有灵活性，并能够通过清晰的重建实现快速训练。
-
新研究通过提高效率、保真度和应用性来推进3D高斯溅射技术 · 已追踪10个来源
多篇研究论文介绍了增强3D高斯溅射（3DGS）能力的新技术和框架。EffGS专注于提高复杂场景的效率和保真度，而ClearGS通过整合可靠性感知视图分配和视频内恢复来解决手持视频数据中的挑战。其他进展包括用于压缩GS参数域质量评估的GS-PQM，用于分离光照与几何的EvenSplat，以及用于对象级网格提取的MEGA。此外，FrontierGS和UGOD分别通过逐步扩展视点和使用不确定性引导的不透明度来解决稀疏视图监督问题。Stere…
-
新的Spackle框架增强了单图像3D重建
研究人员开发了Spackle，一个旨在通过解决现有3D高斯泼溅（3DGS）方法的局限性来改进单图像新视角合成（NVS）的新框架。Spackle采用三阶段残差学习方法来识别和重建渲染效果不佳的区域，从而在存在显著视角偏差的情况下提高场景保真度。该方法旨在平衡重建质量和推理效率，在具有挑战性的大视角偏差场景中取得了最先进的成果。
-
Imagine3D-LLM 教会多模态大语言模型在回答前可视化3D场景
研究人员开发了Imagine3D-LLM，这是一种新颖的多模态大语言模型（MLLM），旨在提高从多视图图像理解3D场景的能力。与以往专注于细粒度几何的方法不同，Imagine3D-LLM通过首先组装场景的粗略3D布局来模仿人类的空间推理。这是通过附加可学习的摘要令牌来实现的，这些令牌被解码为3D高斯溅射表示，并与标准的下一个令牌预测目标联合训练。该模型在空间推理和3D理解基准测试中表现出优越的性能，表明对于MLLM来说，想象场景的布局…
-
新的 3D 高斯溅射方法创建了高保真的蝴蝶模型
研究人员开发了一种创建已装蝶类昆虫高保真 3D 模型的新流程，解决了捕捉这些脆弱标本复杂细节的挑战。该方法结合了用于宏观摄影的手持焦点堆叠、用于暴露腹面的新型镜子系统，以及一个考虑了镜面反射的 3D 高斯溅射扩展。这种方法能够对自然历史藏品进行照片级逼真的 3D 重建。
-
Bi-FlowGS 方法通过精炼高斯几何来改进 3D 场景重建
研究人员介绍了一种新颖的稀疏视图 3D 场景重建方法 Bi-FlowGS，该方法使用 3D 高斯泼溅 (3DGS)。该方法解决了“几何欺骗”问题，即错误的几何高斯可能被不透明度和外观所掩盖，导致生成看似合理但错误的渲染。Bi-FlowGS 采用光流的双向协同精炼过程来同时改进生成的视频补全和底层的高斯几何。
-
发布新的机器人运动评估基准套件
研究人员推出了 Neverwhere Visual Parkour Benchmark Suite，这是一个包含六十多个城市场景超逼真 3D Gaussian Splatting 重建的集合。该套件旨在弥合机器人视觉运动控制器训练与现实世界评估之间的差距。该项目还强调了仅在 3D Gaussian 生成数据上进行训练的潜在局限性，强调了需要多样化的数据源来确保稳健的性能。
-
新方法通过3D高斯溅射增强音频驱动的说话头合成
研究人员开发了一种新的音频驱动数字人生成方法，提高了合成说话头的真实感和准确性。该方法利用面部标志引导和3D高斯溅射技术来改进面部几何和外观建模。该系统包含一个空间增强模块，该模块使用预测的标志来细化表情敏感区域，以及一个全局标志补偿机制，以提供全脸结构信息，从而获得更好的唇部同步和视觉质量。
-
新的HLC-GS方法改进了卫星影像DSM重建
研究人员开发了HLC-GS，一种使用3D高斯泼溅从光学卫星影像重建数字表面模型（DSM）的新方法。该新方法解决了现有3DGS技术中可能出现的高度层混合和非物理高程问题。HLC-GS结合了风险图引导和可靠性校正模块以提高精度，在MAE、RMSE和PAG$_{2.5}$指标方面优于其他六种最先进的方法，并显示出优于EOGS方法的改进。
-
新模拟器使用高斯溅射技术实现逼真的具身AI训练
研究人员开发了Habitat-GS，一个集成了3D高斯溅射技术以增强视觉保真度和动态人类建模的新型具身AI导航模拟器。该系统构建在Habitat-Sim之上，支持实时照片级渲染，并支持可驾驶的高斯虚拟人，它们既是视觉实体又是导航障碍物。实验表明，在Habitat-GS场景中训练的智能体在跨域泛化和更有效的人类感知导航方面表现出改进。