本研究提出了一种基于感兴趣区域（ROI）的二维高斯溅射视频压缩模型，旨在降低传统视频编码的计算需求。通过内容感知初始化和高斯帧间冗余减少机制，编码时间提高了88%，为神经视频编码提供了高效解决方案。

本研究提出了一种名为SLAG的多GPU框架，旨在解决大规模机器人应用中的时间敏感场景表示问题。SLAG通过归一化加权平均从3D高斯场景参数中推导语言嵌入，显著提升了编码速度和可扩展性，并在ScanNet和LERF数据集上表现出优异性能。

本研究提出了一种新的高斯过程回归库GPRat，结合异步运行时模型HPX与Python API，解决了人工智能软件开发中CPU并行化导致的性能下降问题。实验结果表明，GPRat在多核处理器上的训练和预测速度显著优于现有库，展示了异步任务的潜力。

该研究提出了一种生成高质量残疾人服务可及性调查数据的新方法，利用结构方程模型和贝叶斯网络生成合成数据。结果表明，该方法在统计和关系有效性方面优于高斯耦合和条件表生成对抗网络，为敏感数据研究提供了新的思路。

本研究提出了一种新颖的架构，通过深核方法优化高斯过程，以解决在不确定性下优化大型语言模型（LLMs）的难题。研究表明，结合LLM基础的深核与高斯过程进行联合优化，显著提高了反应发现率，并在多个基准测试中表现出稳健性和一致性改进。

本研究提出了一种新型卷积核GMR-Conv，旨在解决传统卷积神经网络在旋转和反射等变性方面的挑战。实验结果表明，GMR-Conv在信息损失和计算效率上优于传统CNN，尤其在处理无方向数据时表现突出。

本文提出了一种基于高斯共轭模型的时间高斯共轭模型（TGC），用于临床多变量时间序列数据中的缺失值插补。通过期望最大化（EM）算法，TGC在不同缺失率的数据上表现出更强的鲁棒性和优越的性能，实验结果表明其插补效果明显优于现有方法。

本研究提出DiET-GS框架，结合无模糊事件流和扩散先验，解决模糊多视图图像重建清晰3D表示的问题。采用两阶段训练策略，显著提高新视图质量，准确恢复颜色和细节，实验结果优于现有模型。

本研究提出了一种新方法4DGS-1K，旨在解决现有4D高斯散点技术在动态场景重建中的存储需求和渲染速度问题。该方法通过引入时空变化评分，显著降低了存储需求，并实现了超过1000帧每秒的渲染速度，同时保持了视觉质量。

本研究提出高斯图网络（GGN），有效解决了多视图图像中高斯表示的效率和泛化性问题。实验结果表明，该模型在使用更少高斯的情况下，图像质量和渲染速度优于现有技术。

本文提出了一种针对大型场景重建的遮挡感知高斯点云技术，通过位置和可视性聚类训练相机，提升了重建质量和区域间相关性。同时，新的区域渲染技术加速了渲染过程，实验结果表明该方法在重建效果和渲染速度上优于现有技术。

本研究提出了一种新方法——高斯地图，利用预训练的2D扩散模型进行3D对象生成，解决高质量3D数据稀缺的问题，实现了2D流形向3D结构的迁移学习，为3D内容生成提供了有效解决方案。

本研究提出BARD-GS方法，解决动态场景重建中的模糊图像和不精确相机姿态问题。通过显式分解相机运动模糊和物体运动模糊，显著提高了动态区域的渲染效果。实验表明，BARD-GS在现实条件下有效重建高质量动态场景，优于现有方法。

本研究提出了一种新型的可优化控制信号表示，解决了扩散模型在3D一致性、时间连贯性和运动准确性方面的不足，实验结果表明其在真实感和表现力上优于现有技术。

本研究提出了一种通过逆问题实现完美多模态对齐的方法，验证了在假设语义类别以高斯混合形式表示的条件下，无监督跨模态迁移的有效性，展示了其应用潜力。

本研究提出了Swift4D方法，旨在解决动态场景重建中的存储和训练时间问题。通过分离静态与动态元素，并采用多分辨率4D哈希映射，显著提升了渲染质量，训练速度提高了20倍，存储需求仅为30MB。

本研究比较了五种无人机杂草绘图的离散化方法，结果显示四叉树方法表现最佳，但在特定场景下，六边形网格和BSP LSE方法更适合处理大杂草斑块。选择合适的方法可以提高农业绘图的精度和效率。

本研究提出了一种新型OG-Gaussian方法，利用环视相机生成的占用网格替代激光雷达点云，解决自主驾驶仿真中的3D场景重建问题。该方法通过分离动态车辆与静态背景的语义信息，降低了手动标注的复杂性，实验结果表明重建质量和渲染速度达到了现有技术水平。

本研究提出了一种二维高斯喷溅（2DGS）方案，解决了隐式神经表示在图像表示中的高内存消耗和慢解码速度问题，成功利用高斯点表示大型图像。

本研究提出了一种通用微调方法PoGDiff，旨在提升扩散模型在不平衡数据集上的表现。通过高斯乘积替代真实分布，增强生成的准确性和质量，有效缓解不平衡问题。