浙大团队提出了一种新方法——体素对齐的前馈3D高斯泼溅，解决了二维特征在三维空间对齐及高斯密度受限的问题，提升了多视角渲染的质量与效率。该方法通过将2D特征聚合到3D体素网格中，增强了几何一致性和跨视图稳定性，适用于机器人、自动驾驶及AR/VR等领域。

本研究提出ShapeShifter模型，旨在解决3D生成模型在几何细节和训练时间方面的不足。该模型结合稀疏体素网格与多尺度神经架构，实现高效并行训练，提升人机交互体验。

本研究通过将CityGML数据转化为体素，提高城市数据处理效率。利用高斯模糊技术增强建筑体积与空气温度的相关性，为城市规划提供可持续发展建议。

本研究针对现有单目神经形态相机在3D重建中的不足，提出了一种无物理先验的端到端方法。该方法引入了新颖的事件表示，增强了边缘特征学习的效果，并通过优化二值化阈值选择原则提供了未来研究的指导。实验结果表明，该方法的重建精度比基线方法提高了54.6%。

本研究提出SCIGS方法，解决快照压缩成像中的动态场景重建问题，通过相机姿态和高斯基元坐标实现三维结构一致性重建，显著提升重建性能。

本文提出了一种新方法——高斯体素核函数（GVKF），旨在解决现有神经辐射场3D表面重建在训练和渲染时间上的问题。GVKF通过核回归建立连续场景表示，显著提升了开放场景的重建效率和质量。实验结果表明，其在重建质量、实时渲染速度和内存消耗方面具有明显优势。

Brainchop是一款前瞻性的浏览器神经影像工具，采用全脑深度学习模型进行结构性MRI体积分析。具有可扩展性、低延迟、易操作、跨平台兼容性和高可访问性。通过稳健的MeshNet架构，在资源受限的浏览器环境下，可实现客户端处理体积数据。

自动驾驶汽车的安全操作需要全面感知环境，但受到遮挡和传感器范围限制。集体感知通过车辆间信息交换减轻问题，但融合信息是挑战。提出了一种新的融合方法，即集体PV-RCNN（CPV-RCNN），融合协作车辆的本地检测结果。

VoxelTrack通过将点云转换为体素并使用稀疏卷积模块提取特征，实现了准确的位置预测。在多个数据集上达到了最先进的性能，并具有较快的实时速度。

本文介绍了一种基于场景图的三维场景理解方法，利用PointNet和GCN实现场景图的回归，并应用和评估了3DSSG数据集。

提出了一种名为 Arbitrary-Scale Super-Resolution NeRF (ASSR-NeRF) 的新型框架，通过使用 VoxelGridSR 模型在优化的体积上直接进行 3D 超分辨率 (SR) 操作，从而实现超分辨率新视角合成 (SRNVS)。通过在多样化场景上进行训练，可以确保模型的泛化能力，在训练过程中，对于使用低分辨率视角的未见场景，可以直接应用...

基于视觉的道路三维物体检测中，提出了一种新的体素池化策略 BEVSpread，通过自适应权重将图像特征传播到周围的 BEV 格点，使得现有基于截锥体和 BEV 的方法在车辆、行人和骑行者方面得到明显的性能提升。

NeuV-SLAM是一种利用神经多分辨率体素构建的定位与建图流水线，具有快速收敛和增量式扩展能力。通过RGBD图像输入，构建多分辨率的神经体素，实现稳健的场景重建和相机跟踪。该方法通过优化体素中的色彩特征和SDF值，提高了场景收敛速度。同时，设计了SDF激活以保持边缘描述的清晰度。通过基于哈希的多分辨率体素管理结构，实现了快速的增量式扩展和低计算开销。在实证评估中，NeuV-SLAM在收敛速度、跟踪精度、场景重建和渲染质量方面表现出卓越效能。

这项研究介绍了一种利用土壤的三维微计算机断层扫描图像模拟有机物质微生物分解的新的计算方法。该方法利用一个连接的体素的评估图来模拟微生物分解过程中涉及的转化和扩散过程。该模型可被用于模拟多孔介质中的任何扩散 - 转化过程。我们实施了并行化策略，并探索了不同的数值方法，包括隐式、显式、同步和异步方案。为了验证我们的方法，我们将模拟输出与 LBioS 和 Mosaic...

本文提出了一种新颖的使用视觉 Transformer（ViTs）处理体积医学信息的框架，通过将先进的 Swin Transformer 模型拓展到三维医学领域，以及在 ViTs 中处理体积信息和编码位置的新方法。我们提出了基于 Transformer 的体积方法 SuperFormer，用于磁共振成像（MRI）超分辨率，通过利用 MRI...

基于基元的体积表示可以用于建模散射和发光介质，并具有相对高效的渲染。我们提出了基于混合核心体积基元的散射和发光介质建模方法，并提供了一些优化以实现高性能和易用性。

本文介绍了一种用于评估新辅助化疗后乳腺DCE-MRI的长期变形注册方法，通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，能够精确量化肿瘤变化。验证实验证明该方法具有更好的注册性能和肿瘤体积保持能力，可用于病理完全缓解预测，避免不必要的手术。对临床医生和计算机系统来说，该注册方法对图像进行随访肿瘤分割和响应预测具有很大价值。

DepthSSC是一种基于单目摄像机的三维语义场景完成方法，通过结合ST-GF模块和几何感知体素化解决了空间错位和畸变问题。在SemanticKITTI数据集上评估，DepthSSC表现出了有效捕捉三维结构细节的能力，并取得了最先进的性能。该研究为基于单目摄像机的三维语义场景完成研究提供了新的视角。

本文提出了一种改善神经辐射场（NeRF）在稀疏输入情况下性能的方法，通过模拟三维空间场的一致性，并采用体素光线采样策略和Transformer进行渲染。实验证明该方法显著改善了稀疏输入设置下的性能。