本研究提出BARD-GS方法，解决动态场景重建中的模糊图像和不精确相机姿态问题。通过显式分解相机运动模糊和物体运动模糊，显著提高了动态区域的渲染效果。实验表明，BARD-GS在现实条件下有效重建高质量动态场景，优于现有方法。

本研究提出了Swift4D方法，旨在解决动态场景重建中的存储和训练时间问题。通过分离静态与动态元素，并采用多分辨率4D哈希映射，显著提升了渲染质量，训练速度提高了20倍，存储需求仅为30MB。

本研究提出了TimeFormer模块，旨在解决动态场景重建中的复杂运动建模问题。该方法有效学习可变形3D高斯体的时间关系，显著提升了重建质量和速度。

本研究提出了一种名为DENSER的新框架，用于动态城市环境场景重建中的动态物体建模。通过结合小波变换动态估计球谐基，DENSER能够更有效地表示动态物体的外观，并通过密集化点云提高物体形状表示的精确性，显著提升了动态场景重建的效果。实验证明，该方法在KITTI数据集上相较于现有技术有显著提高。

本文提出了一种新型的动态场景重建与实时渲染方法，称为高斯流（Gaussian-Flow）。该方法结合3D高斯喷洒技术和双域变形模型，显著提高了训练速度和渲染质量，能够快速处理复杂运动，并在渲染效果上优于传统方法。研究实现了高保真度的网格结构重建和纹理编辑，展现了良好的应用前景。

本文提出了一种新的运动感知增强框架，改进动态场景重建，提升3D高斯喷溅性能。通过灵活变形建模方案，开发了Deform3DGS框架，实现内窥镜手术中可变形组织的实时重建。此外，提出FSGS方法以高效合成视角，提升渲染质量与效率。GS-SLAM算法首次应用3D高斯表示，优化SLAM系统的效率与准确性，并探讨了3D高斯喷洒中的误差源，提出增强鲁棒性的解决方案。

本文探讨了4D高斯喷洒在动态场景重建中的应用，提出了FSGS和Endo-4DGS等新方法，以提高视角合成和渲染效率。这些方法结合深度估计和几何特征，显著提升了动态视图合成和手术场景重建的准确性与实时性，展现了在自动驾驶和微创手术中的应用潜力。

该研究提出了NeuralPCI和NL-Drive数据集等新技术，旨在处理动态场景重建和点云插值。通过可变形3D高斯方法和高斯流，显著提升了训练和渲染速度，并在动态视图合成和心脏循环模拟中表现出色。这些方法在效率和质量上超越了现有技术，具有广泛的应用潜力。

本文介绍了一种基于神经辐射场（NeRF）的方法，通过自监督深度估计和几何约束提升3D场景合成效果。研究表明，合成数据显著提高了机器人重定位精度，新方法在街景合成和动态场景重建中表现优越，减少了误差并增强了鲁棒性。NeRF在工业应用、视频压缩和三维运动估计方面展现出良好潜力。

本文介绍了一种新颖的三维模型生成方法，结合基于Transformer的网络和高斯散射技术，显著提升了渲染速度和质量。该方法有效解决了光照不一致和几何对齐问题，在动态场景重建和实时渲染中表现优异，具有广泛的应用潜力。

本文提出了一种新的运动感知增强框架，通过光流中的运动线索改进动态场景重建，提升3D高斯喷溅性能。研究还介绍了基于优化4D基元的方法，有效捕捉复杂动态场景，并在多个基准数据集上展现出优异的视觉质量和效率。

本文介绍了GS-CLIP方法，通过3D高斯粒化增强多模态预训练，优化3D表示，显著提升视觉-语言模型性能。GS-SLAM是首个基于3D高斯模型的语义密集视觉SLAM系统，兼顾实时渲染与高精度重建。此外，提出的CompGS方法显著降低三维场景建模的数据大小，同时保持高质量渲染。3D高斯喷涂技术在动态场景重建和几何编辑中表现优越。

本文探讨了使用可变形3D高斯方法进行动态场景重建和渲染，提出了一种高效的3D高斯喷涂表示法，能够实现高质量的实时渲染。研究表明，该方法在动态场景建模、相机姿态估计和新视角合成方面优于现有技术，具备快速渲染和高效训练的优势。

本文提出了一种新的运动感知增强框架，利用光流中的运动线索改进动态场景重建，提升3D高斯喷溅性能。通过GS-SLAM算法，实现高效准确的同时定位与地图构建，优化相机姿态，增强重建质量。4D高斯喷洒方法在动态场景中表现出色，支持实时渲染和高分辨率效果。

本文介绍了一种新型的基于点的方法，称为高斯流（Gaussian-Flow），用于快速动态场景重建和实时渲染。该方法利用了最新的基于点的3D高斯喷洒技术，并引入了双域变形模型来建模每个高斯点的属性变形。相比以往的方法，该方法不需要为每个帧训练单独的3D高斯喷洒或引入额外的隐式神经场来建模3D动态。该方法在效率上取得了显著的改进，训练速度比每帧3D高斯喷洒建模快5倍，并且在新视图渲染质量上优于以往的主流方法。

本文介绍了一种新型基于点的方法，称为高斯流（Gaussian-Flow），用于快速动态场景重建和实时渲染。该方法利用了最新的基于点的3D高斯喷洒技术，并引入了双域变形模型来建模每个高斯点的属性变形。相比以往的方法，该方法不需要为每个帧训练单独的3D高斯喷洒或引入额外的隐式神经场。该方法在效率上取得了显著的改进，训练速度比每帧3D高斯喷洒建模快5倍，并且在新视图渲染质量上明显优于以往的主流方法。

我们引入了高斯流方法，用于快速动态场景重建和实时渲染。该方法利用了最新的基于点的3D高斯喷洒技术，并引入了双域变形模型来建模每个高斯点的属性变形。与以往方法相比，我们的方法在效率上取得了显著的改进，并且在新视图渲染质量上明显优于以往的主流方法。