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。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

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。

本研究探讨了3D高斯点云在扩展现实（XR）领域的应用不足，提出了分类方法并识别了潜在研究方向，以促进XR的发展并展示3DGS的影响。

该研究提出了3DGS-增强器，通过2D视频扩散先验提升3D高斯表示质量，解决稀疏视图下生成高质量新视图的问题。主要发现是恢复一致的潜在特征并与输入视图整合，显著提高渲染性能。实验显示，该方法在大型数据集上的重建和渲染质量优于现有技术。

我们提出了一种新的3DGS辐射场训练方法，通过结合深度先验、生成和显式约束，减少背景折叠和浮点值，增强未见视角的一致性。实验表明，该方法在MipNeRF-360数据集上，以较低成本超越了基本3DGS的30.5%和NeRF方法的15.6%。

本文介绍了GS-SLAM算法，使用3D高斯表示方法实现了同时定位与地图构建系统中的更好平衡。该算法通过自适应扩张策略重构新观测到的场景几何，并改善先前观测区域的建图。在位姿跟踪过程中，使用了从粗到细的技术来选择可靠的3D高斯表示，以减少运行时间并实现强健的估计。该算法在Replica和TUM-RGBD数据集上具有竞争力的性能。

本文介绍了一种基于点的渲染框架，用于从照片集合中重建场景。该方法通过引入残差球谐系数传输模块和空间注意力模块，提高了渲染质量和收敛速度。

我们提出了一种从稀疏训练视角中训练一致的基于3DGS的辐射场的方法，通过深度先验、生成和显式约束来减少背景折叠、移除浮点值，并增强未见视角的一致性。实验证明我们的方法在MipNeRF-360数据集上超过了基本的3DGS的30.5%和基于NeRF的方法的15.6%。

我们提出了一种从稀疏训练视角中训练一致的基于3DGS的辐射场的方法，通过深度先验、生成和显式约束来减少背景折叠、移除浮点值，并增强未见视角的一致性。实验证明我们的方法在MipNeRF-360数据集上超过了基本的3DGS的30.5%和基于NeRF的方法的15.6%。

通过学习去除迭代3D高斯投射法（LP-3DGS）提供了一种自动寻找最佳裁剪比例的方法，该方法使用可训练的二进制掩码来对重要性分数进行裁剪，并通过重新设计掩码函数以利用Gumbel-Sigmoid方法使其可微分并与现有的3D高斯投射法训练过程兼容，从而在效率和质量之间提供了良好的平衡。

我们提出了一种从稀疏训练视角中训练一致的基于3DGS的辐射场的方法，通过深度先验、生成和显式约束来减少背景折叠、移除浮点值，并增强来自未见视角的一致性。实验证明我们的方法在MipNeRF-360数据集上以较少的训练和推理成本超过了基本的3DGS的30.5%和基于NeRF的方法的15.6%。

提出了一种新的双分支结构GSDF，将3D高斯喷洒表示法和神经符号距离场相结合，通过相互指导和联合监督来缓解局限性，并展示了其在重建表面和渲染方面的优势。

研究者提出了一种名为SplatArmor的新方法，通过在3D高斯函数中给人体模型添加装甲，恢复出详细的、可动画的人体模型。他们使用高斯函数来表示人体，通过扩展底层几何体的蒙皮来定义关节扭曲。他们还引入了一个SE(3)场来捕捉高斯函数的位置和各向异性。通过展示实验结果，证明了这种方法的有效性。