Gaussian primitives
PulseAugur coverage of Gaussian primitives — every cluster mentioning Gaussian primitives across labs, papers, and developer communities, ranked by signal.
-
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…
-
新的MRI技术使用高斯基元校正失真
研究人员开发了一个新的物理信息框架，用于校正扩散MRI数据中的几何失真。该方法直接从k空间数据中联合估计磁场（B0）和无失真图像，绕过了可能引入伪影的中间重建步骤。通过将图像和B0场表示为高斯基元并利用旋转视场EPI采集，该框架提高了准确性，尤其是在高b值和加速因子下，其性能优于顺序校正方法。
-
SplatWeaver 动态分配高斯基元以实现新视角合成
研究人员开发了 SplatWeaver，一个用于可泛化新视角合成的框架，该框架动态分配高斯基元。与之前每像素使用固定数量基元的方法不同，SplatWeaver 采用基数高斯专家和像素级路由方案，根据场景复杂度自适应地确定基元分配。这种方法允许在细节区域使用更多基元，在平滑区域使用更少基元，从而以更高的效率实现更忠实的渲染。
-
神经场景实现统一的无线电仿真和视图合成
研究人员开发了一个新颖的框架，将可微分光线追踪与高斯图元相结合，实现了神经场景内无线电传播和视图合成的统一仿真。该方法可以直接从视觉重建的神经表示中计算点对点路径及其相关的电磁特性，无需手动构建网格。该系统利用高斯泼溅技术进行高保真视觉渲染，同时提取具有物理意义的信道冲激响应，展示了神经重建作为多功能空间表示的潜力。