3D Gaussian splatting
PulseAugur coverage of 3D Gaussian splatting — every cluster mentioning 3D Gaussian splatting across labs, papers, and developer communities, ranked by signal.
- uses Simultaneous localization and mapping 90%
- instance of alphaXiv 70%
- used by Gotit.pub 70%
- instance of Neural Radiance Fields 70%
- developed by Simultaneous localization and mapping 70%
- used by lidar 70%
- used by ScienceCast 70%
- used by SCANNET 70%
- instance of replica 70%
- used by alphaXiv 70%
- competes with Nerf 60%
- used by Mip-NeRF360 60%
- 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
22 天有情绪数据
-
新框架解决长图像序列中的3D重建漂移问题
研究人员推出NoDrift3R，一个旨在改进长图像序列3D重建的新颖框架。该方法解决了由累积相机姿态估计漂移引起的显著退化问题，这是无姿态前馈3D高斯溅射中的常见问题。通过Raymap-Guided Coupling Module将几何和外观耦合起来，NoDrift3R同时优化RGB重建、raymap一致性和相机正则化。该框架还采用Dual-Frequency Viewpoint Scheduling策略，以增强在宽时间范围内的稳定性…
-
GaussFusion 推动多模态 3D 高斯预训练 · 跟踪 3 个来源
研究人员推出了 GaussFusion，一个专为 3D 高斯表示设计的新型多模态预训练框架。该框架通过跨模态语义对齐整合图像和文本监督，从而增强了现有方法，使高斯编码器能够学习视觉和语言层面的语义信息。为了解决高斯图元中数据分布不均匀的挑战，GaussFusion 采用了高斯显著性引导的多尺度空洞掩码技术。实验表明，GaussFusion 提高了高斯表示的可迁移性，在 ModelNet40 和 ScanObjectNN 等基准数据集上…
-
Fourier Splatting 提供可扩展的辐射场渲染
研究人员推出了一种新颖的可扩展辐射场渲染方法 Fourier Splatting，该方法利用了广义傅里叶编码基元。这种方法通过在运行时截断傅里叶系数来实现不同级别的细节，为带宽受限的高保真渲染提供了一种通用的解决方案。该方法在平面基元框架中达到了最先进的质量，并可与领先的体积表示相媲美。
-
MACRO方法增强了用于近景渲染的3D高斯泼溅技术
研究人员开发了MACRO，一种新颖的无训练方法，旨在提高3D高斯泼溅（3DGS）在近景渲染中的质量。该方法解决了特征尺度不不变性导致内容在不同尺度下出现错误对应关系的尺度差距问题。MACRO通过将场景分解为深度平面，在编码前将参考图像调整到匹配每个平面的尺度，并应用深度感知注意力掩码来实现这一点。这种方法不需要架构更改或额外训练，并在新的近景新视角合成基准测试中取得了最先进的结果。
-
PRISM3D 框架从极端运动模糊中重建三维场景
研究人员开发了 PRISM3D，一个用于从严重运动模糊图像中进行三维场景重建的新框架，传统方法在此类任务中会失败。该系统采用鲁棒初始化策略，利用深度密集跟踪建立全局拓扑，并通过马尔可夫链蒙特卡洛 (MCMC) 的概率公式进行几何致密化。一个扩展版本 PRISM3D-E 集成了事件流以增强重建保真度，并创建了一个新的基准数据集 PRISM3D-E Benchmark 来评估这些多模态能力。
-
新方法利用视点划分重建精细三维城市表面
研究人员开发了一种新的方法，用于重建大规模城市环境的精细三维表面。该方法利用一种新颖的基于视点方向的划分技术来提高深度估计精度，并在多个GPU之间平衡计算负载。此外，该方法还包括一种识别和填充缺失表面区域的策略，以提高整体几何质量。在GauU-Scene、MatrixCity和UrbanScene3D等基准数据集上的实验表明，与现有的最先进方法相比，该方法表现更优。
-
GUSH3R框架使用高斯喷溅重建动态人类和场景
研究人员推出了一种新颖的前馈框架GUSH3R，用于从单目视频进行在线动态人类场景重建。该方法使用3D高斯喷溅图元同时重建动态人类和静态场景。GUSH3R旨在克服先前方法产生的非写实输出或难以处理像人类这样的非刚性物体的局限性。实验表明，与基于优化的方法相比，GUSH3R在推理效率显著提高的同时，实现了具有竞争力的新视角合成质量。
-
使用高斯泼溅和光流实现3D火焰重建
研究人员开发了一种新颖的方法，使用基于高斯函数时空表示的3D动态火焰重建。该技术旨在通过分离静态背景和易挥发火焰区域，从有限数量的摄像机视图中捕捉火焰复杂的、高频的特征。该系统利用密集的多视图立体图像、单目深度先验以及从光流派生的3D流场来初始化火焰，其中单个3D高斯编码寿命和速度以实现精确的时间对齐。
-
3D高斯溅射评估方法被批评为衡量插值而非泛化
一篇题为“Mind the Gap”的新研究论文指出了3D高斯溅射（3DGS）方法标准评估中的一个重大缺陷。该论文认为，当前的评估协议（通过排除每N帧来评估）主要衡量近轨迹插值，而非真正的空间泛化能力。研究人员引入了一种匹配计数协议来隔离这种效应，揭示了包括神经辐射场在内的不同表示方法之间存在3-12dB的显著插值-外插差距。这个差距足够大，可能会改变方法的排名，并表明标准的排除法不足以评估空间泛化能力。
-
3D基础模型革新植物表型分析，大幅缩短重建时间
研究人员开发了一个新的3D植物表型分析框架，该框架利用3D基础模型（3DFMs）显著加速了重建过程。该方法用前馈几何恢复系统取代了COLMAP等传统方法，并结合3D高斯溅射进行密集重建。该框架还支持少视角重建，并将3D几何转换为可测量的表型数据。实验表明，重建时间从六分多钟大幅缩短到一秒多，同时保持了高精度。
-
新的SAGO框架支持实时3D高斯分割
研究人员开发了SAGO（Segment Any Gaussians Online），一个旨在实现3D高斯样条（3DGS）场景实时交互式分割的新框架。与之前需要冗长场景设置时间的先前方法不同，SAGO通过使用虚拟无人机和马尔可夫过程将分割任务重新构建为在线最佳下一视图规划问题，从而消除了这一瓶颈。这种方法可以实现亚秒级分割，支持对象操作和场景编辑等应用，并比现有技术有显著的加速。
-
GaussianEmoTalker 使用3D高斯溅射进行实时情感说话头合成
研究人员开发了GaussianEmoTalker，一个使用3D高斯溅射进行实时情感说话头合成的新颖框架。该方法通过将动画构建为从中性到情感的残差变形来解决生成具有可控情感强度的富有表现力的头像的挑战。该系统构建了一个中性说话空间，然后根据音频特征、情感类别和强度预测条件情感变形，从而实现富有表现力和时间稳定的渲染。
-
新方法通过平坦最小值优化增强3D高斯泼溅的泛化能力
研究人员开发了一种新方法，以提高3D高斯泼溅（3DGS）在仅用有限视图进行训练时的泛化能力。通过应用平坦最小值优化的原理，该技术通过考虑各向异性和训练进度的受控扰动来正则化高斯参数。这种方法有助于保留精细细节并增强对过拟合的鲁棒性，从而实现更清晰、更稳定的重建，并能更好地泛化到新的视角，这在LLFF和Mip-NeRF360数据集上得到了证明。
-
Pano2World 将单个全景图转换为可探索的 3D 高斯场景
研究人员开发了 Pano2World，一个将单个室内全景图转换为完全可探索的 3D 高斯场景的新颖系统。该方法通过重建粗糙的 3D 高斯代理来绕过迭代完成和视频生成模型的限制。然后，该代理用于从附近姿势渲染引导全景图，并将其输入全景扩散模型。该模型采用视图感知注意力路由来强制跨视图一致性，同时利用引导全景图的几何约束和源全景图的语义引导。潜在特征适配器通过将隐藏特征蒸馏到场景潜在表示中来进一步完善过程，然后将其解码为最终的 3D 高斯…
-
AI初创公司智天下完成世界模型开发的天使轮融资
专注于3D高斯溅射（3DGS）和世界模型的AI初创公司智天下一（苏州）人工智能科技有限公司已完成天使轮融资。本轮融资由上海众合创业投资独家投资，将用于扩充其生成高斯基础模型的研发团队，并增强其全球社区影响力。智天下平台已吸引数万用户，并正在开发大规模生成高斯基础模型，以促进AI对物理世界的理解。
-
新的3D高斯溅射法创建高保真蝴蝶模型
研究人员开发了一种新的流程，用于创建已装蝴蝶的高保真3D模型，解决了捕捉其复杂细节的挑战。该方法结合了用于微距摄影的手持焦点堆叠、用于展示翅膀底面的新型第一表面镜系统，以及一种考虑镜面反射的3D高斯溅射法的扩展。这种方法可以创建可从所有角度查看的逼真3D模型，并在四种不同的标本上进行了验证。
-
新的RefineSplat框架解决了3D高斯泼溅中的模糊干扰问题
研究人员开发了RefineSplat，一个旨在通过有效处理视觉场景中的模糊干扰来改进3D高斯泼溅（3DGS）的新框架。该方法利用了感知熵的自适应掩码技术来区分瞬态元素和静态对象，而传统方法由于颜色或语义相似性常常难以处理。该框架还结合了感知熵的密度控制，以在复杂场景中实现更好的高斯对齐。为了支持这项研究，团队发布了Ambiguous wild数据集，其中包含18个具有挑战性干扰元素的场景，并在无干扰的新视角合成方面展示了最先进的性能。
-
新的L2D2-GS框架改进了动态场景重建
研究人员开发了L2D2-GS，一种用于动态高斯场景重建的新型框架，解决了现有方法的扩展性限制。与依赖昂贵的每场景优化或在内存限制和不一致融合方面遇到困难的先前方法不同，L2D2-GS采用优化和致密化的迭代过程。该框架使用由全局重建增益指导的自监督致密化策略和几何正则化机制来防止收敛到次优解。在PandaSet和Waymo数据集上的实验表明，L2D2-GS以更少的基元实现了最先进的保真度和泛化能力。
-
RAGA 在 3D 高斯泼溅中实现实时光线追踪阴影
研究人员开发了 RAGA，一种用于 3D 高斯泼溅 (3DGS) 场景中实时光线追踪阴影投射的新颖方法。该方法直接在高斯空间中计算阴影，无需进行网格重建，并为动画虚拟形象和物体交互提供了更高的真实感和时间稳定性。RAGA 公式利用精确的光线-高斯线积分来确定遮挡权重，并结合虚拟形象代理表示来减轻时间方差，实现了约 50 FPS 的阴影投射速率。
-
新方法实现无需遮罩的物理模拟3D物体重建
研究人员开发了一种新颖的无遮罩方法，可以从稀疏和被遮挡的真实世界视图中重建完整的3D对象。该技术利用3D高斯泼溅和SAM2训练的分割场来实现实例分割，然后进行联合得分蒸馏采样过程。该过程整合了参考视图监督和由扩散先验引导的新视图合成，以确保纹理保真度和3D一致性，从而通过物质点法模拟实现物理上可行的交互。