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可微分矢量图形表示方法——贝塞尔点阵，解决了高分辨率图像中的优化成本和渲染质量问题。该方法通过自适应修剪和稠密化策略，提高了渲染速度和视觉保真度，实验结果表明其在保真度和优化速度上优于现有技术。

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。

本研究提出了一种新方法，通过引入衰减各向异性径向基函数（DARBFs），提高了基于Splatting的3D重建技术的效率，收敛速度提升34%，内存消耗降低15%，同时保持重建质量。

本文提出了Feat2GS方法，旨在解决视觉基础模型在3D理解上的局限性。该方法通过从未姿态图像中提取3D高斯属性，有效探测几何和纹理意识，无需依赖3D数据。研究结果表明，Feat2GS在多个数据集上表现优异，为视觉基础模型的3D意识研究奠定了基础。

本研究提出了一种新的动态场景表示方法SaRO-GS，旨在解决视频序列重建动态场景时的渲染速度慢和处理复杂性问题。该方法结合了尺度感知残差场和自适应优化策略，在实时渲染中展现出优越的性能。

本文介绍了广告牌点图（BBSplat），一种基于可学习纹理几何原语的3D场景表示方法。BBSplat通过优化纹理平面原语，提高了渲染效率和压缩效果，性能超过1200 FPS，展现出良好的应用潜力。

研究发现3D高斯喷溅在训练阶段存在安全漏洞，攻击者可通过污染数据增加计算资源消耗。提出的“毒液喷溅”攻击展示了对防御的挑战，可能导致服务中断。

本研究通过SuperGS方法解决了超高分辨率新视图合成中的低分辨率输入问题。SuperGS采用两阶段训练框架，结合多分辨率特征高斯溅射和梯度引导选择性分裂，提升了合成质量和效率。实验结果显示，SuperGS在真实数据集上表现优于现有方法。

本文介绍了多种基于高斯喷涂的3D重建和渲染方法，如Pixel-GS、GaussianPro和PGSR，旨在提升细节重建质量和渲染效率。研究分析了现有技术的不足，并提出新的密度控制策略和栅格化方法，验证了其在不同数据集上的有效性。这些方法在快速训练和高保真度渲染方面表现优异，推动了3D高斯喷涂技术的发展。