本研究提出了MMGDreamer，一个双分支扩散模型，克服了基于图的三维场景生成对文本输入的限制，显著提高了场景生成的可控性和视觉真实度。

本研究提出了一种结构一致的高斯点云方法（SCGaussian），旨在解决稀疏输入情况下Novel视图合成的性能下降问题。通过匹配先验学习的三维场景结构并优化高斯原件位置，实验结果表明该方法在复杂大场景中表现优异且高效。

本研究提出了EchoSegnet方法，结合预训练的2D音频视觉模型与三维场景表示，旨在提升复杂环境中音响物体的分割效果。

本研究通过引入VX-S3DIS数据集和RESSCAL3D++方法，解决了三维场景理解中获取与处理分开的局限性。提出了一种高效的联合获取与语义分割方式，大幅加速并降低成本，首次预测时间仅占总推理时间的7%。

本文探讨了NeRF在图像视角合成中的应用及改进，特别是在大规模三维场景中的表现。研究提出了多种方法，如引入深度监督、使用事件相机和红外热成像技术，以提高渲染质量和鲁棒性。新方法EBAD-NeRF和E$^3$NeRF有效解决了运动模糊问题，展示了在动态和低光环境下的应用潜力。

本文提出了一系列高效的三维场景表示方法，旨在降低存储需求并保持渲染质量。通过紧凑的高斯模型和优化策略，研究展示了在不同规模场景中显著减少数据大小，同时提升渲染速度和质量。新方法如GaussianPro、Pixel-GS和CompGS在实验中表现出优越的性能，适用于高分辨率和复杂场景。

本文介绍了多种基于深度学习的图像合成和深度补全技术，包括Composition-by-Decomposition网络、Y-GAN算法和DPANet网络。这些方法利用生成对抗网络和深度信息融合，显著提升了三维场景生成效果和深度数据恢复精度，尤其在复杂场景中表现突出。

本研究提出了CustomNeRF模型，能够通过文本描述或参考图像实现三维场景的自适应编辑。采用局部-全局迭代编辑训练方案，解决了前景区域和多视角一致性问题。实验结果表明，该模型在文本和图像驱动下能产生精确的编辑结果，提升了NeRF的可编辑性和输出质量。

该研究提出了Open-NeRF，旨在解决神经辐射场（NeRF）中的对象分解问题。通过利用现成的分割模型和蒸馏范式，Open-NeRF在不同视角下实现了对象的一致识别，表现优于现有方法，为三维场景中的机器人和视觉语言交互应用提供了新思路。

本研究提出了一种新方法，通过文本生成高质量的三维人物-物体交互场景。该方法利用双分支扩散模型和互动预测扩散模型，增强了人和物体之间的动作一致性。实验结果表明，该方法在生成逼真互动方面优于现有技术，能够有效处理复杂的空间关系和多样的物体形状。

该文章介绍了全景场景完成（PSC）任务，通过实例级别的信息产生对三维场景的更丰富理解。PSC利用基于蒙版的混合技术处理稀疏多尺度完成的非空体素，并提出了一种有效的集成方法来估计体素和实例的不确定性。实验证明，该方法在全景场景完成和不确定性估计方面优于所有基线算法。

该文介绍了使用NeRF方法学习动态三维场景的方法，为机器人外科手术系统提供了潜力。