本研究提出了一种新方法，针对稀疏输入视图合成问题，利用现代3D表示技术提升合成图像质量，适用于静态和动态场景。

本研究提出了一种结构一致的高斯点云方法（SCGaussian），旨在解决稀疏输入情况下Novel视图合成的性能下降问题。通过匹配先验学习的三维场景结构并优化高斯原件位置，实验结果表明该方法在复杂大场景中表现优异且高效。

本研究提出了一种新颖的3D高斯视图合成方法，有效解决了稀疏输入图像下高斯点云渲染模型的过拟合问题，实验结果表明其在新视图合成方面表现优越。

本文介绍了一种名为Splatter Image的三维内容生成框架，基于高斯喷射技术，实现快速的单目三维物体重建。该方法通过高斯颗粒化优化渲染速度和重建质量，解决了多视角一致性问题，并提出了自增强的高斯喷溅策略，增强了对稀疏输入和噪声的鲁棒性，显著提高了三维重建的效率和质量。

本文提出了一种基于神经网络的稀疏输入学习方法，旨在重建三维物体表面并推断有符号距离函数（SDF）。该方法在处理噪声和不完整点云方面表现出色，显著提高了表面重建的精度和鲁棒性，尤其在合成和真实数据中效果显著。