本研究解决了扩散模型在极端压缩下的量化问题，通过产品量化方法提高重构精度，确保生成能力，并提出端到端校准方法，使得压缩至1位的模型仍具竞争力。

该研究提出了特征选择稀疏自编码器和互选择稀疏自编码器，克服了稀疏自编码器在特征提取中的局限性，提升了重构精度，减少了无效特征的数量。

3D高斯喷涂技术的修剪方法优化了渲染性能，保持高质量。新方法Pixel-GS和GaussianPro通过考虑像素覆盖和先验知识，提升了重构精度和效率。EfficientGS在高分辨率场景中显著减小模型大小，同时保持渲染保真度。SRGS方法通过亚像素约束增强表示能力，实现高质量渲染。Scaffold-GS动态布局3D高斯，减少冗余，提升渲染质量。

本文介绍了一种多尺度3D高斯喷洒算法，解决了伪影问题，提升了渲染质量和速度。通过优化高斯分布与网格结合，提出的Analytic-Splatting和GaMeS模型实现了实时高质量渲染。此外，Pixel-GS方法提高了重构精度，GS-SLAM算法在SLAM系统中提升了效率和准确性，展示了高斯喷洒技术在图像渲染中的应用潜力。

本文介绍了一种自我监督的方法（LPD），用于发现2D图像中物体的三维部件，并学习适合匹配物体形状的简单且准确的部件形状先验。实验结果表明，该方法具有更好的重构精度，优于现有方法。