北大团队在3D生成与对齐领域取得突破，提出OctGPT模型，打破了扩散模型的垄断。该模型利用八叉树结构提升生成效率，支持多种条件下生成高质量3D形状，推动虚拟现实和游戏开发等应用。

本研究解决了现有方法在生成3D网格高质量PBR材料时，纹理与几何形状不一致的问题。提出的TexGaussian方法利用八叉树对齐的3D高斯点云技术，实现快速的PBR材料生成，其模型以回归方式训练，能够在单次前向传播中生成所需材料。我们的实验表明，TexGaussian生成的PBR材料在视觉效果上更佳，并且在处理速度上优于之前的方法。

作者在银河模拟中使用Barnes-Hut算法，将n体引力模拟的复杂度从O(n²)降至O(n log n)。该算法通过八叉树和θ参数进行近似计算，大幅提升性能。未来计划包括优化θ参数、集成OpenGL和并行化算法。

本文介绍了一种新方法，通过将场景分为静态背景和动态前景，排除动态元素，并扩展八叉树结构以支持多分辨率表示，解决了激光雷达在动态户外环境中定位与建图效果不佳的问题。该方法在多个数据集上表现优于现有技术。

本研究解决了现有3D高斯映射方法在地图稠密化过程中对深度噪声敏感的问题，并提出OG-Mapping，它结合稀疏八叉树和结构化3D高斯表示，提高了在线稠密映射的效率和鲁棒性。研究结果显示，OG-Mapping在生成更为逼真的映射结果方面超过了现有的方法，同时节省了存储空间，无需额外的后处理。

本文介绍了一种基于深度卷积解码器的3D形状生成架构，采用八叉树表示，提升了生成分辨率并减少了内存使用。该架构适用于3D自编码器和形状生成，通过自适应八叉树卷积神经网络和潜在扩散模型，显著提高了3D形状生成的效率和质量，在物体分类和形状检索等任务中表现优越。

本文提出了一种改进的点云几何压缩方法，利用上下文特征残差和多层感知分支，显著提升了压缩性能。通过对八叉树和体素模型的验证，证明了该方法在点云分类和抗噪处理方面的效率和准确性。

本文提出了一种基于八叉树的多上下文深度学习框架OctAttention，通过聚合兄弟和祖先节点信息，实现点云的无损编码，提升了压缩和语义分割性能。研究表明，该方法在多个数据集上相较于现有标准具有更高的编码效率和数据节省。

本文综述了3D高斯喷涂技术的最新进展，重点介绍了OmniGS系统和RadSplat方法在高效渲染、动态重建和几何编辑中的应用，强调其在实时渲染和高质量重建方面的优势。这些技术显著提高了渲染速度和质量，推动了3D重建领域的发展。

该研究提出了动态聚类变换网络（DCTNet），用于三维点云分割，采用编码器-解码器架构学习特征，性能优于现有模型。同时，介绍了基于八叉树的OcTr方法，增强了远距离物体检测能力，并在多个数据集上取得最佳结果。

本文提出了PointMamba框架，利用状态空间模型（SSM）进行点云分析，展示了其在多个数据集上超越基于transformer的模型，节省了参数和计算资源。通过一致遍历序列化和位置编码方法，PointMamba结合局部与全局建模，取得了新的性能突破。此外，Graph-Mamba和nnMamba架构在图网络和医学图像分析中也表现出色，展示了Mamba系列模型在多模态任务中的潜力。

该论文提出了Marching-Primitives方法，通过分析体素的连接性，在不同的有符号距离级别上生长几何基元，并解决基元参数问题，以捕捉基本局部几何信息。研究人员评估了该方法在合成数据集和真实世界数据集上的表现，结果显示该方法在准确性方面优于现有技术，可直接泛化到不同类别和尺度。

我们提出了一种新方法，利用网格作为指导机制来编辑神经辐射场，实现了梯度反向传播，使用户能够轻松操作神经辐射场的几何和颜色。通过引入基于八叉树的结构来优化用户控制性，实现了对神经隐式场的细粒度编辑，并适应了各种用户修改。通过实验展示了方法的能力和有效性。

该文提出了一种新的密度编码方法，通过基于 Fourier 的压缩来适应底层体渲染过程的传递函数特征，从而减少动态模型中的伪影。同时，通过对训练数据的扩充来放松压缩的周期性假设。该方法在合成和真实场景的评估中表现出有效性。

本文提出了一种基于球坐标系的学习式点云压缩（SCP）的模型无关方法，利用点云中的圆形和方位角不变性特征，采用多级八叉树减小重建误差。实验结果表明，SCP 在点对点 PSNR BD-Rate 方面超过了先前的最先进方法，提高了 29.14%。