D4RT是一种统一的AI模型，专注于4D场景重建和跟踪。它通过分析2D视频，追踪每个像素在三维空间和时间中的运动，实现高效的动态场景理解。D4RT架构简洁高效，适用于机器人和增强现实，速度比传统方法快300倍。

本文介绍了Linux性能监控的适用场景、前提条件及工具，强调在特定情况下不应仅依赖此方案。提供了性能瓶颈分析步骤，包括CPU、内存、磁盘和网络的排查方法，并列出常见瓶颈及优化措施。建议使用Prometheus和Grafana等监控工具进行系统监控。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化爬取流程。

本研究通过将3D打印部件的体积编码到神经场中，采用新正则化策略，解决了打印几何形状的挑战，实现了精确预测，优化了过程参数，降低了材料浪费和成本。

本研究提出了多样化道路损伤数据集（DRDD）和新模型RDD4D，通过优化特征的Attention4D模块，显著提升了大规模道路裂缝检测的平均精度至0.458，对基础设施维护具有重要影响。

本文首次全面探讨了树状四维物体形状变异的时空建模与分析，提出了使用平方根速度函数树（SRVFT）表示树状三维形状的新方法，并基于此构建了有效的算法框架，研究结果可用于生成新型的四维树形结构，推动植物数据建模的进步。

本文介绍了一种名为HO-Gaussian的混合优化方法，通过将网格体积与3D高斯喷洒管道结合，实现了在城市场景中的渲染。同时，引入了点密度化和高斯方向编码来提高渲染质量和颜色表示。通过神经翘曲增强不同相机之间的物体一致性，解决了多相机系统的问题。实验结果表明，HO-Gaussian在自动驾驶数据集上实现了实时照片级渲染。

我们引入了一种新型的基于点的方法，称为高斯流，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。与以往的方法相比，我们的方法在效率和渲染质量上都取得了显著的改进。

QuaterGCN 是一个具有四元数值权重的谱图卷积网络 (GCN)，其核心是四元数拉普拉斯算子，通过该提案广义化了两个广泛使用的拉普拉斯算子：经典拉普拉斯算子（针对无向图）和复数值标志磁性拉普拉斯算子（用于处理带有任意符号权重的有向图）。实验结果表明，QuaterGCN 的性能优于其他最先进的 GCN，特别是在包含有关重要信息的有向图情景中。

通过Dream-in-4D方法，使用扩散生成模型从文本和图像生成动态的3D场景。该方法通过学习静态资源、形变分离和视频扩散指导的运动来提高生成效果。用户偏好研究证明了该方法在图像质量、动态一致性和文本保真度方面的显著提高。该方法还可用于可控的生成任务。

我们的Le3DE2E_Occ解决方案在CVPR 2023自动驾驶（WAD）研讨会的Argoverse挑战中呈现了4D占用预测。该解决方案在Argoverse 2传感器数据集上测试，L1误差（3.57）比基线低18％，并在CVPR 2023的4D占用预测任务中获得第一名。