本文提出了一种新方法——高斯体素核函数（GVKF），旨在解决现有神经辐射场3D表面重建在训练和渲染时间上的问题。GVKF通过核回归建立连续场景表示，显著提升了开放场景的重建效率和质量。实验结果表明，其在重建质量、实时渲染速度和内存消耗方面具有明显优势。

本文介绍了几种新方法以优化3D高斯聚类和场景表示，包括GaussianPro、CompGS、EfficientGS和IGS。这些方法通过改进数据压缩和渲染技术，显著降低了存储需求，同时保持高渲染质量。实验结果表明，这些方法在处理大规模和复杂场景时表现优越，解决了传统方法的存储和效率问题。

DEF-oriCORN是一个面向语言引导的操控任务的框架，通过利用新颖的场景表示和状态估计算法，实现高效且稳健的操控规划。DEF-oriCORN在稀疏的RGB图像上表现出优越的估计和运动规划性能，并能够零样本推广到现实场景。

本文介绍了一种基于密集三维网格的灵活方法，解决了基于图像的特征匹配对构建场景表示的代价问题，并展示了该方法的最新成果。结果表明，基于密集三维模型的表示是一种有前途的替代方案，并为未来研究提供了有趣而具有挑战性的方向。

DiffCAD是一种从RGB图像中检索和对齐CAD模型的方法，实现基于三维物体的场景表示。它利用扩散学习隐式概率模型来捕捉CAD对象在图像中的形状、姿态和尺度，并对深度/尺度和形状匹配的歧义进行建模。这是一种弱监督的条件生成方法。

PanoOcc是一种基于相机的3D全景分割方法，使用时空信息聚合多帧和多视角图像，将特征学习和场景表示集成到全面的占用表示中，实现更好的摄像机语义分割和全景分割结果，易于扩展到密集的占用预测。