本研究提出了FreeSplatter框架，解决了稀疏视图重建中相机姿态不足的问题。该框架通过无标定稀疏视图生成高质量三维表示，并快速恢复相机参数，优于现有方法。

本研究提出了一种新的生成性稠密化方法，解决了高斯模型在稀疏视图3D重建中难以表示高频细节的问题。该方法通过单次前向传播生成更精细的高斯，显著提升了对象和场景重建的表现，尤其在细节表示方面。

该研究提出了DGTR框架，旨在解决有限计算资源下稀疏视图大场景重构的问题。通过无人机区域独立处理和前馈高斯模型，显著提升了重构质量和速度，并缩短了训练时间。

本文提出了一种基于3D高斯散点的稀疏视图三维重建方法，结合深度先验和显式约束，显著提高了新视角合成的一致性和重建质量。实验结果表明，该方法在处理稀疏输入和噪声时表现出强大的鲁棒性，并在多个数据集上超越了现有技术。

本研究提出了一种新的CDDM框架，用于稀疏视图CT图像重建，实验结果显示CDDM在生成高质量图像方面具有清晰的边界和高计算效率。

本文介绍了一种利用高斯分布的新方法，通过稀疏视图以前馈的方式学习和呈现广义的人类高斯，实现对新的人类主题的逼真和准确的视图呈现。该方法在学习3D高斯参数时，利用了强的几何先验和2D卷积的优势，并通过多层支架的提出有效地表示偏移细节。实验证明，该方法在数据集内和跨数据集的泛化设置中优于最近的方法。

该论文介绍了一种新的协同正则化方法来改善稀疏视图下 3D 高斯光场的重建质量。通过评估高斯点表示之间的注册以及渲染像素之间的差异来量化点和渲染不一致性。进一步研究表明这两种不一致性与精确的重建之间存在负相关。提出了一种名为 CoR-GS 的方法来鉴别和抑制不准确的重建，并在多个数据集上验证了该方法的有效性。

本文提出了一种新的方法，可以从由360度校准相机组拍摄的一组稀疏视图中重建3D物体。该方法使用基于MLP的神经表示和三角形网格来表示对象表面，并采用一种以对象为中心的神经表示采样方案，通过网格表示确保样本分布均匀。通过可微分的渲染器高效地进行渲染，证明了这种采样方案能更有效地训练神经表示，获得最先进的3D重建结果，并适用于多个数据集的稀疏视图。