浙大团队提出了一种新方法——体素对齐的前馈3D高斯泼溅，解决了二维特征在三维空间对齐及高斯密度受限的问题，提升了多视角渲染的质量与效率。该方法通过将2D特征聚合到3D体素网格中，增强了几何一致性和跨视图稳定性，适用于机器人、自动驾驶及AR/VR等领域。

名为Gauss的AI在三周内完成了陶哲轩和Kontorovich提出的数学挑战，远超他们18个月的进展。该AI能自动形式化数学内容，生成约25000行Lean代码，未来计划提升形式化代码量100到1000倍，推动数学项目进展。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

群核科技发布了InteriorGS数据集，包含1000个3D场景，旨在提升机器人空间感知能力。该数据集结合3D高斯技术与空间大模型，助力AI从虚拟环境走向物理世界。

乔治·德雷塔基斯在TUM AI讲座中探讨了3D高斯点云渲染的历史与未来，强调计算机图形学与机器学习的交叉影响，介绍了从传统图形到新视图合成的演变，特别是深度学习在图像渲染中的应用。他指出，尽管技术进步显著，快速、准确的3D内容创建仍需努力。

本文解决了在稀缺数据条件下图神经网络(overfitting)表现不佳的问题，提出了一种将高斯过程扩展到单纯复形(SCs)的创新方法。研究结果表明，该方法通过引入霍奇分解来丰富单纯复形的表示，显著提升了各种应用中的预测性能，推动了高斯过程在图和单纯复形预测中的更广泛应用。

本研究提出了GuassTrap隐蔽中毒攻击方法，针对3D高斯喷溅技术的安全漏洞。该方法能够在特定视点注入恶意视图，导致环境误判和空间畸变，实验结果验证了其有效性，强调了3D渲染的安全风险。

该研究推出了PerfCam，这是一种开源数字双胞胎框架，解决了工业生产线中实时KPI提取的困难。通过将相机和传感器数据与3D重建及卷积神经网络相结合，PerfCam提供了一种半自动化的对象跟踪和空间映射方法。研究表明，PerfCam能够有效提供可操作的见解，推动智能制造环境中可用数字双胞胎的发展。

3D高斯泼溅算法存在严重漏洞，攻击者可通过修改输入图像导致GPU显存暴涨70GB，甚至引发系统宕机。研究者提出的Poison-Splat攻击方法显著增加训练成本，揭示了3D重建系统的安全隐患。

本研究提出了一种验证引导高斯数量控制（VGNC）方法，旨在解决稀疏视图3D重建中的过拟合问题。VGNC通过生成验证图像来优化高斯数量，显著降低过拟合，提高渲染质量，减少高斯点数量，从而降低存储需求并加快训练与渲染速度。

本研究解决了条件高斯分布与具有可逆协方差矩阵的高斯分布之间总变差和2-Wasserstein距离的界限问题。通过利用信息论中的熵不等式，提出了新的界限并应用于随机初始化的全连接神经网络，指出在高斯初始化且内部层大小趋向无穷大的情况下收敛至高斯的速率，显著改进了现有研究的结果。