本文提出了一种基于图神经网络（GNN）的建模方法，用于预测机器人喷涂水泥过程中的表面效果。该方法通过优化机器人轨迹和打印参数，提高了预测精度，为自主喷涂提供了新方案。

本研究解决了在复杂户外环境及恶劣天气下进行三维重建时存在的模糊问题，提出了一种名为WeatherGS的框架，通过将多种天气伪影分类，应用密集到稀疏的预处理策略，有效去除干扰因素。我们的实验证明，该方法在不同恶劣天气情况下能够精准重建清晰场景，表现优于现有最先进技术。

本研究解决了现代自动驾驶车辆模拟器在创建虚拟城市环境时的复杂性问题，尤其是在数字双胞胎训练中。论文提出了一种新颖的GSAVS模拟器，该模拟器通过将每个资产建模为3D高斯喷涂，实现了高保真度和实时渲染，显著提升了定制性和易用性。研究结果展示了这种方法在自动驾驶模型开发中的潜在影响。

图像三维重建是一项复杂任务，涉及从图像推断三维形状。本文综述了最新技术，特别是生成新视角的方法，涵盖输入类型、模型结构、输出表示和训练策略。讨论了未解决的挑战和未来研究方向，强调全面研究算法的重要性。

本文介绍了一种基于3D高斯零碎描绘的新型逆向渲染方法GS-IR，通过前向映射体积渲染实现逼真的新视角合成和重新照明结果。该方法通过对多视图图像进行捕捉，估计场景几何、表面材质和环境照明，解决了先前方法在表达能力和计算复杂性上的问题。GS-IR通过引入正则化和遮挡模拟间接光照，提出了一个高效的优化方案来解决逆向渲染时遇到的问题。通过定性和定量评估，证明了该方法的优越性。

EndoGSLAM 是一种用于内窥镜手术的高效 SLAM 方法，通过整合高速渲染和组织重建，实现在线相机跟踪和组织重建的 100 帧 / 秒渲染速度，具备优于传统或神经 SLAM 方法的手术过程中可用性和重建质量的平衡。

pixelSplat是一个学习重建3D辐射场的前馈模型，具有实时渲染和高效内存使用。通过预测3D上的密集概率分布并从中采样高斯均值，克服了局部最小值问题。在基准测试中，pixelSplat胜过现有的光场转换器，具有更快的渲染速度。