本文提出了一种针对大型场景重建的遮挡感知高斯点云技术，通过位置和可视性聚类训练相机，提升了重建质量和区域间相关性。同时，新的区域渲染技术加速了渲染过程，实验结果表明该方法在重建效果和渲染速度上优于现有技术。
本研究提出了GP-GS框架，解决了3D高斯点云在场景重建中的质量下降问题。通过多输出高斯过程模型，实现了稀疏SfM点云的密集化，显著提升了重建性能。
本研究提出了DrivingRecon模型，旨在解决现有自动驾驶场景重建方法在实时性和效率上的不足。该模型能够从视频中预测4D高斯表示，显著提升场景重建质量和新视角合成，适用于模型预训练、车辆适应和场景编辑等领域。
中科院自动化所团队提出的FreeVS新视角合成方法，能够在无需重建场景的情况下，生成任意车辆行驶轨迹下的高质量视频，显著提升效率和质量。该方法通过稀疏点云投影恢复相机成像，支持多种场景中的车辆运动模拟和场景编辑。
本研究提出了DimensionX框架，利用可控视频扩散技术从单张图像生成真实感的3D和4D场景。该方法在可控视频生成和场景重建方面优于传统技术，展现出重要的应用潜力。
极佳科技与多家机构合作推出DriveDreamer4D，这是首个利用世界模型提升自动驾驶4D场景重建的算法。该技术显著改善了多种重建算法的效果，用户偏好投票超过80%。DriveDreamer4D通过生成新轨迹视频，增强了动态场景的闭环仿真能力，提高了车辆和车道线的渲染质量与时空一致性。
本研究提出了一种加权渲染方法，解决了3D高斯点云渲染中的复杂排序问题，显著提升了渲染性能，消除了“弹跳”伪影，并在移动设备GPU上实现了平均1.23倍的加速，为3D场景重建提供了高效方案。
本文提出了一种新方法MCGS，通过3D高斯散点框架解决稀视图下的多视图一致性问题，显著提高了场景重建效率和渲染速度，并减少了内存使用。实验结果表明，该方法在稀视输入情况下表现优异。
本文探讨了一种高质量实时1080p分辨率的新视图合成技术，提出了3D高斯函数表示、优化参数和可见性感知渲染算法。通过减少高斯点数量和存储空间，实现高性能实时渲染。此外，介绍了基于神经辐射场的ThermoNeRF方法，能够同时渲染RGB和热像视图，提升场景重建质量。研究还提出了因式化三维高斯粒子点描方法，显著降低存储需求并保持图像质量。
本研究提出高动态范围神经辐射场（HDR-NeRF），通过模拟成像过程生成不同曝光条件下的高动态范围图像。实验结果表明，该方法能够有效控制曝光并渲染高动态范围视图。此外，研究探讨了3D高斯喷洒技术在高动态范围场景重建中的应用，提出了新框架以提高渲染质量和速度，同时显著减少存储需求。
本文介绍了多种基于3D高斯喷涂的场景重建和动态视图合成方法。GS-W方法通过引入独立特征和自适应采样，显著提高了渲染速度和质量。Wild-GS优化了无约束照片集合的3D高斯粒子着色，提升了渲染效率。新提出的3D几何感知可变形高斯喷洒方法通过融合3D几何特征改善动态重建。这些方法推动了3D高斯喷涂技术的发展。
本文介绍了多种改进的神经辐射场（NeRF）模型，旨在加速训练和提高渲染效果。通过稀疏采样和弱监督方法，提升了渲染质量。FastNeRF方法在高端GPU上以200Hz速率生成高保真图像，速度比原始NeRF快3000倍。此外，Drone-NeRF框架有效解决了无人机场景重建中的挑战。
DrivingGaussian 是一种高效框架，用于重建自主驾驶场景中的动态环境。它通过高斯图处理移动物体，结合 LiDAR 和高斯喷洒方法，实现高逼真度的场景重建。本文还提出了 Superpoint Gaussian Splatting 和自适应街景高斯方法，以提升动态场景的渲染质量和重建效率。
本文介绍了一种半监督深度估计方法，通过结合语义标记和图像变形信号，提高了单目深度估计的精度。该方法在KITTI数据集上超越了现有技术，并在多种挑战条件下表现稳健，适用于场景重建和视频视觉效果。
本文介绍了一种新的街景神经辐射场模型（S-NeRF），通过改进场景参数化和神经表示，解决了现有模型在街景合成中的问题。S-NeRF在多个大规模驾驶数据集上表现优越，均方误差减少7%至40%，移动车辆渲染的PSNR提升45%。此外，提出的Drone-NeRF框架利用NeRF增强无人机摄影的场景重建，解决了复杂性和渲染效率问题。
该研究介绍了一种新型长距离极化波前激光雷达传感器（PolLidar），能够在室外场景中估计法线、距离和材料特性，从而提高场景重建的准确性。通过优化波前调制和前馈重构网络，改善了散射介质下的成像效果，并提出了支持复杂运动场景的实时三维场景重建框架。
本文介绍了基于3D高斯模型的视角合成和场景重建方法，包括FSGS、MVSNeRF和InstantSplat等。这些方法利用高效算法和深度学习技术，实现了实时的视图合成和高质量的场景重建，显著提升了渲染效率和准确性。实验结果表明，这些新方法在多个数据集上表现优越，推动了神经渲染技术的发展。
该研究提出了多个新框架以实现高保真渲染，特别针对大型城市场景。通过多分辨率地面特征、适应性多NeRF方法和Drone-NeRF框架，提升了渲染效率和质量。SCALAR-NeRF和NeRFusion结合局部模型和新技术，优化了大规模场景重建，展示了良好的可扩展性和快速训练能力。
本文介绍了多种基于3D高斯表示的机器人操作和场景重建方法，如ManiGaussian和GS-SLAM。这些方法在动态场景重建和地图构建中表现优异，成功率提高了13.1%。通过结合LiDAR和相机数据，提出了一种高效的3D制图系统，实现了准确的环境表示。此外，MD-Splatting方法在可变形场景中实现了高质量的3D跟踪，展示了其在机器人技术和增强现实中的潜力。
本文介绍了多种3D技术的创新方法，包括基于文本的3D风格化、点云生成和场景重建。这些方法利用深度学习和视觉语言模型，实现了高质量的3D场景生成和风格转移，展示了在虚拟环境中创建一致性和美观效果的潜力。
完成下面两步后，将自动完成登录并继续当前操作。
