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。

本文介绍了一种名为SSCNet的端到端三维卷积神经网络，旨在通过单视图深度图实现场景的三维体素表示和语义标签。该网络采用扩张的三维上下文模块进行高效学习，实验结果显示其在语义场景完成任务上优于传统方法。此外，文中还提到基于几何信息的策略和2D图像标注训练3D模型等改进方法，在公共基准测试中表现出色。

3D高斯散射（3D-GS）是计算机图形学的重要进展，提供高效的场景表示和视图合成技术。本文综述了3D-GS的理论基础、应用及最新进展，强调其在3D重建、编辑和渲染中的优势，指出其在保持高渲染质量的同时显著提升训练效率，并探讨未来研究方向和挑战。

本文提出了一种新的稠密SLAM方法，利用高斯斑点进行场景表示，实现实时重建和渲染。该方法通过自适应扩张策略优化场景几何，提升重建性能和运行效率。实验结果表明，该方法在多个数据集上具有竞争力的渲染质量和准确性。

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。