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。

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。

本研究介绍了一种栅格化方法，用于渲染通用3D高斯飞溅的深度图和表面法线图，提高形状重建准确性并保持计算效率。该方法在DTU数据集上达到与NeuraLangelo相当的Chamfer距离误差，训练和渲染时间与传统高斯飞溅相似。该方法是高斯飞溅的重要进展，可集成到现有方法中。

SIGGRAPH 2023 just had a paper “3D Gaussian Splatting for Real-Time Radiance Field Rendering” by Kerbl, Kopanas, Leimkühler, Drettakis, and it looks pretty cool! Check out their website, source...