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。

本文介绍了一种基于高斯喷射的3D内容生成框架，利用多视角噪声分布和变分技术提升图像质量。研究提出了无域场景生成管道和从单目视频构建动态3D模型的方法，显著提高了训练和渲染速度。同时，探讨了3D重建的最新技术与挑战，并提出了照明感知的3D场景编辑流程，优化了编辑灵活性和几何细节处理能力。

本文提出了一种超分辨率3D高斯喷洒(SRGS)方法，通过优化高分辨率空间和引入亚像素约束，提升了3D重建和渲染质量。结合基于3D高斯的GANs，改进了渲染性能，实现了高效的几何重建和新视角合成。实验结果表明，该方法在多个数据集上表现优越，具备快速训练和高保真度的优势。

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。

本文探讨了3D高斯喷洒（3D-GS）在实时1080p视图合成中的应用，提出了优化算法以提升渲染效率和准确性。研究表明，3D-GS在多个数据集上表现优越，具备可控性和编辑性，为未来3D重建技术提供了新方向。