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。

该研究提出了一种名为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进行渲染。该方法还引入了点密度化来提高渲染质量，并使用高斯方向编码作为视角相关的颜色表示。实验结果表明，HO-Gaussian在多相机城市数据集上实现了实时照片级渲染。

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，引入了点密度化来提高训练期间出现问题的区域的渲染质量，并使用高斯方向编码作为视角相关的颜色表示的替代方法。实验结果表明，HO-Gaussian在多相机城市数据集上实现了实时照片级渲染。