- 综合排序
- 最热优先
- 最新优先
《神经渲染变局：高斯泼溅能否改写NeRF规则》
简单来说，3D高斯泼溅将三维场景表示为一组具有不同位置、大小和方向的高斯分布，每个高斯分布都可以看作是一个微小的“泼溅”元素，通过对这些高斯元素的组合和渲染，来构建出整个三维场景。 3D高斯泼溅在渲染时可以通过调整高斯分布的参数，灵活地控制渲染的精度和细节程度，根据不同的应用需求，在计算效率和渲染质量之间找到最佳平衡。3D高斯泼溅在实时渲染方面展现出了卓越的性能。 3D高斯泼溅通过对高斯分布参数的精细调节，能够实现对场景细节的灵活控制。 这种根据不同场景需求进行动态调整的能力，使得3D高斯泼溅在保证实时渲染的前提下，能够兼顾渲染质量和细节表现，为用户提供更加优质的视觉体验。3D高斯泼溅在内存管理和数据存储方面也具有明显的优势。 3D高斯泼溅作为一种新兴的技术，正处于快速发展和完善的阶段。随着研究的深入和技术的不断创新，3D高斯泼溅有望在渲染质量、细节表现等方面进一步提升，逐渐缩小与NeRF在这些方面的差距。
56910编辑于 2025-06-05- 来自专栏点云PCL
Gaussian-LIC2：激光雷达-惯性-相机高斯泼溅SLAM系统
文章：Gaussian-LIC2: LiDAR-Inertial-Camera Gaussian Splatting SLAM 作者：Xiaolei Lang , Jiajun Lv , Kai Tang 数据集与代码将公开发布在项目页面：https://xingxingzuo.github.io/gaussian_lic2 主要贡献 通过将三维高斯投影（3D Gaussian Splatting）与激光雷达 -惯性-相机（LiDAR-Inertial-Camera）融合相结合，本文针对前述挑战，提出了一种实时的真实感 SLAM 系统，称为 Gaussian-LIC2。 图 1：系统输出结果概览（从左到右、从上到下排列）：(1) 由三维高斯组成的重建地图，(2) 从新视角渲染的 RGB 图像，(3) 稀疏的激光雷达点云地图，(4) 从新视角渲染的深度图，(5) 从高斯地图提取的三维网格 主要内容 图 2：实时真实感激光雷达-惯性-相机 SLAM 系统的处理流程，该系统采用三维高斯来表示地图。
81810编辑于 2025-07-12 - 来自专栏数字孪生解决方案
数字孪生底座新解法：高斯泼溅在景区场景中的价值解读
二 高斯泼溅的技术定位在上述背景下，高斯泼溅（3D Gaussian Splatting）逐渐进入景区数字化建设的技术视野。 作为一种基于优化点云的三维重建与渲染方法，高斯泼溅不依赖复杂的网格拓扑结构，而是通过大量可学习的高斯椭球对空间进行表达。 四 景区场景下高斯泼溅释放哪些价值1 景区精细化管理基于高斯泼溅构建的实景三维空间，有助于提升对复杂区域的整体认知能力。 2 游客服务与体验对于景区而言，数字化体验并不意味着取代线下，而是延展线下体验：线上实景复刻，突破时间与空间限制AR / VR 互动内容叠加在真实空间之上不可改造区域通过虚拟方式增强内容表达高斯泼溅能够提供一种足够真实 高斯泼溅作为空间底座的一种技术选择，为这种协同提供了更现实的落地基础。
30110编辑于 2026-02-11 当3D高斯泼溅遇见视频孪生：城市治理的科幻时代来了
云舟各产品线完全融合3D高斯泼溅技术从科幻电影到现实应用的技术突破还记得《少数派报告》中汤姆·克鲁斯挥手操控三维场景的经典画面吗？ 3D高斯泼溅：让数字世界“活”起来的魔法什么是3D高斯泼溅简单来说，3D高斯泼溅（3D Gaussian Splatting）是一种革命性的三维重建技术。 如果把传统的三维建模比作用积木搭房子，那么3D高斯泼溅就像是用无数个"智能光点"来描绘现实世界。 这个应用场景代表了3D高斯泼溅技术在处理复杂几何结构方面的巨大突破，为电力行业的智能化管理开辟了全新道路。 3D高斯泼溅与视频孪生技术的融合，让"精细化治理"从口号变成了现实，让"智慧城市"从概念变成了触手可及的体验。
62410编辑于 2025-09-03- 来自专栏一点人工一点智能
高斯泼溅技术如何解决深度估计难题？
相比之下，2D非投影方法则试图通过从2D图像到3D空间的映射来估计深度，而不明确预测深度。 为了实现高效的BEV特征渲染，研究者们引入了透明度参数到三维高斯表示中，使得可以使用高斯栅格化技术进行快速且准确的BEV特征聚合。 三维高斯分布G(x)表达式如下： 这些高斯分布随后通过alpha混合法投影并渲染到二维平面上。 通过将这些三维表示与特征图F及透明度α结合，得到一组高斯分布 。 之后，将n组高斯分布组合并投影到BEV平面上 。 GaussianLSS使用了分段损失函数、中心度损失和偏移损失进行训练，具体包括focal loss、L1损失和L2损失，权重分别为λ1=1、λ2=2和λ3=0.1。
48210编辑于 2025-06-15 - 来自专栏量子位
UCLA蒋陈凡夫团队新研究：在VR里控制3D物体，高斯泼溅渲染
现在有个新研究，在VR里实时控制3D高斯泼溅生成的物体，距离真正实现又前进了一大步。 比如操作这个铁马，一不小心就鬼畜了…… 再比如，调教了下这只烈狗。 在VR玩3D高斯泼溅 在这项研究中，团队主要做了这三点贡献： 开发了高保真沉浸式的VR系统，并做了广泛评估。 实时3D内容交互：该系统的工程设计侧重于以人为本。 全面的系统集成，将3D高斯泼溅、场景分割、图像绘制、基于物理的实时求解器和新的渲染几何嵌入算法等技术结合在了一起。 当然，最核心的就是提出了物理感知交互式的VR系统VR-GS。 这个名字顾名思义，就是集成了3D高斯泼溅（GS）和基于位置的扩展动力学（XPBD）。后者是一个高度适应性和一致性的物理模拟器，用于实时变形模拟。 由于模拟和渲染过程具有不同的几何表现形式，因此很难将模拟器直接集成到3D高斯内核中。 为了解决这一难题，研究人员构建了一个四面体笼，将每个分段的高斯内核组嵌入到相应的网格中。
46010编辑于 2024-02-22 - 来自专栏新智元
清华哈佛发布LangSplat：三维语义高斯泼溅 | CVPR 2024 Highlight
最近，来自清华大学和哈佛大学的研究人员共同提出了LangSplat，该方法结合三维高斯泼溅技术重建三维语义场，能够实现准确高效的开放文本查询。 现有方法在NeRF的基础上嵌入CLIP语义特征，LangSplat则通过结合三维高斯泼溅，在每个高斯点上编码了从CLIP提取的语义特征。 3D语义高斯泼溅：LangSplat引入了一种新的技术，即3D高斯泼溅，它使用包含语义特征嵌入的3D高斯来表示3D场景。这种方法比NeRF-based的方法渲染过程更快。 3D语义高斯泼溅 在一组2D图像上获得语义嵌入后，我们可以通过建模3D点和2D像素之间的关系来学习一个3D语义场。 大多数现有方法使用NeRFs进行3D建模，但它们面临着耗时的渲染过程。 通过引入带有语义特征的3D高斯泼溅来进行三维场景感知。 2. 与以前的方法相比，实现了显著的速度提升，使其适合实时应用。 3.
61210编辑于 2024-06-28 - 来自专栏点云PCL
GS-LIVO：基于高斯泼溅的实时LiDAR、惯性和视觉多传感器融合里程计
Hong , Chunran Zheng,Yishu Shen , Changze Li , Fu Zhang , Tong Qin , Shaojie Shen 编辑：点云PCL 摘要 近年来，三维高斯泼溅重建 主要贡献 本研究旨在开发一种 激光雷达-惯性-视觉里程计（LIVO）系统，该系统利用 高斯泼溅建图（Gaussian Map） 作为新型地图表示方式，将激光雷达和摄像头测量数据进行紧密融合。 图 1：GS-LIVO 在大规模场景中的组成部分：基于航空数据集的实时里程计和高斯泼溅建图 本研究的主要贡献： 提出了一种基于空间哈希索引八叉树（spatial hash-indexed octree） 图 2：GS-LIVO 系统概述——种基于高斯泼溅建图的实时 LiDAR-惯性-视觉里程计系统。该流程利用多传感器数据对高斯点进行联合初始化和优化，并通过哈希索引八叉树结构和滑动窗口机制进行管理。 总结 本文提出了GS-LIVO，一种新型的实时SLAM系统，集成了传统的激光雷达-惯性-视觉里程计和新型的3D高斯泼溅点云表示地图。
1.9K10编辑于 2025-02-10 - 来自专栏机器之心
AAAI 2026 Oral | SplatSSC：解耦深度引导的高斯泼溅，开启单目语义场景补全高效新范式
基元初始化的盲目性：现有的方法往往通过在 3D 空间内随机分布数万个高斯基元来覆盖场景。实验发现，这种随机初始化的有效利用率极低（仅约 3.9%），造成了巨大的计算冗余。 2. 核心技术：精准引导与鲁棒聚合 图 2：SplatSSC 架构总览。 2.2 解耦高斯聚合器 (DGA)：向 “漂浮物” 宣战 SplatSSC 引入了解耦高斯聚合器（Decoupled Gaussian Aggregator, DGA），从根本上重新设计了高斯到体素（ 传统的聚合方法（如 GF.agg 和 GF2.agg）在面对离群基元时，容易在空旷空间生成错误的 “漂浮物”。 表 2：高斯基元参数消融实验。显存占用与耗时均在单张 RTX 3090 GPU 上测得。
38210编辑于 2026-01-30 - 来自专栏一点人工一点智能
清华团队打造"高斯世界模型"，让机器人像人类一样默契配合
研究的核心贡献——通过分层高斯世界模型和任务导向的高斯泼溅技术，实现了对多体时空动态的精确建模。 早期基于时间对比学习[33]和掩码建模[36]的2D表征方法只能处理简单任务，而近期NeRF[32]和高斯泼溅[26]等3D重建技术虽然提升了场景理解能力，但多体动态建模仍然悬而未决。 高斯泼溅相关研究则突出了其显式可编辑特性对机器人操作的独特价值——能够持续跟踪操作器和目标。 图2所示的整体流程揭示了ManiGaussian++的三大核心技术组件： （1）将RGB-D输入转换为体素空间并通过稀疏卷积网络提取体积表征； （2）任务导向高斯泼溅生成模块，为不同角色(动作臂/稳定臂 3.2 任务导向高斯泼溅 传统高斯泼溅[26]使用参数θi=(μi,ci,ri,si,σi)表示位置、颜色、朝向、尺度和透明度，通过可微分的基于瓦片的栅格化进行渲染。
39010编辑于 2025-07-03 - 来自专栏机器之心
导师爆料：这篇CVPR最佳学生论文，从想法到成稿只用一个月，源自业余灵感
但在 Mip-Splatting 项目之前，他从未接触过高斯泼溅技术，对于高斯泼溅的入门也是在业余时间以个人兴趣的形式展开的。 在论文中，Zehao Yu 等人介绍了一种用于 3D 图像渲染的抗锯齿 3D 高斯泼溅方法 ——Mip-Splatting。 3D 图像渲染是指生成三维图像的过程。 抗锯齿技术就是用来消除这些锯齿，使图像边缘看起来更加平滑和自然，近几年颇受关注的高斯泼溅就是这样一种技术。它利用高斯分布来平滑图像边缘，从而减少锯齿效应，使得图像更为平滑和自然。 在 Mip-Splatting 之前，他没有用过高斯泼溅方法。事实上，他当时正在研究另一个使用更「传统」神经隐式表示的项目。但那个项目进展得不太顺利，很长一段时间里充满障碍。 在 10 月 18 日，Zehao 写道：「大家好，我计划提交一篇关于解决最近 3D 高斯泼溅的抗锯齿 / 缩放伪影的论文到 CVPR。我发现这些伪影的主要原因是低通滤波器。
38210编辑于 2024-06-27 NVIDIA Isaac Sim与Marble加速机器人仿真环境构建
在本教程中，我们将逐步介绍一个端到端的工作流程：场景导出：从 Marble 画廊将现有场景导出为高斯泼溅（PLY）和碰撞体网格（GLB）。 选择“Splats (PLY)”下载高斯泼溅表示。Marble 的高斯泼溅以 .ply 文件形式提供，其中包含数百万个代表场景的半透明粒子，具有高保真度。 至此，我们有了两种形式的厨房环境——高斯泼溅和三角形网格。每种形式服务于不同的目的：PLY 捕获场景的完整视觉细节，而 GLB 提供仿真中物理和碰撞所需的网格几何体。 USDZ 使用自定义 USD 模式（UsdVolVolume 的扩展）来表示高斯泼溅，以便 Omniverse 能够渲染。本质上，它将点云嵌入为体积图元，保留了 Marble 场景的视觉保真度。 用于物理的碰撞体网格步骤 3：将 USDZ/GLB 导入 Isaac Sim 并构建场景生成 USDZ 文件后，下一步是将厨房场景导入 Isaac Sim，将网格与高斯泼溅对齐，并添加物理和光照，使其为交互做好准备
19410编辑于 2026-03-22- 来自专栏AiCharm
每日学术速递12.24
2.MAG-Edit: Localized Image Editing in Complex Scenarios via Mask-Based Attention-Adjusted Guidance 标题 Kautz, Umar Iqbal 文章链接：https://arxiv.org/abs/2312.11461 项目代码：https://nvlabs.github.io/GAvatar/ 摘要： 高斯泼溅已成为一种强大的 在本文中，我们寻求利用高斯泼溅从文本描述生成逼真的可动画化身，解决网格或基于 NeRF 的表示所带来的限制（例如灵活性和效率）。 然而，高斯泼溅的简单应用无法生成高质量的可动画化身，并且存在学习不稳定的问题；它还无法捕捉精细的化身几何形状，并且常常导致身体部位退化。 为了解决这些问题，我们首先提出一种基于基元的 3D 高斯表示，其中高斯在姿势驱动的基元内定义以促进动画。其次，为了稳定和摊销数百万高斯的学习，我们建议使用神经隐式场来预测高斯属性（例如颜色）。
34310编辑于 2023-12-28 - 来自专栏机器之心
铰链物体的通用世界模型，超越扩散方法，入选CVPR 2025
因此，我们需要采用三维表征，为了实现从输入单视角图像的快速三维重建，我们利用基于三维高斯泼溅（3DGS）的大规模重建模型，这些模型能以前馈方式从输入图像预测三维高斯泼溅，使重建时间从传 统优化方法所需的几分钟减少到仅需几秒钟 PartRM 方法 方法概览 上图提供了 PartRM 方法的概述，给定一个单视角的铰链物体的图像 ot 和对应的拖拽 at，我们的目标是生 成对应的 3D 高斯泼溅 。 我们首先利用在我 们的数据集上微调好的 LGM 去推理每个状态 Mesh 对应的 3D 高斯泼溅表征，拿这些作为监督数据我们第 一阶段的训练。 对于两个 3D 高斯之间的对应，我们利用 LGM 输出的是一个 splatter image 这一优势，即 LGM 会对 2D 图像的每一个像素点学一个高斯泼溅，我们可以直接对监督数据和 PartRM 我们采用了两种 3D 高斯重建方法，第一种为直接用 LGM （下图中两个时间的第一个）进行重建，第二种利用基于优化的 3D 高斯泼溅进行重建（下图中两个时间的第二个）。
26600编辑于 2025-04-09 - 来自专栏AiCharm
每日学术速递12.25
与通常假设像环境图一样的远距离照明的现有方法不同，我们提出了一种可学习的高斯定向编码，以更好地模拟近场照明条件下的视图相关效果。 我们表明，我们的高斯方向编码和几何先验显着改善了神经辐射场中具有挑战性的镜面反射的建模，这有助于将外观分解为更具物理意义的组件。 2.Splatter Image: Ultra-Fast Single-View 3D Reconstruction 标题：泼溅图像：超快速单视图 3D 重建 作者：Stanislaw Szymanowicz 我们第一次在单眼重建环境中应用高斯分布。我们的方法是基于学习的，并且在测试时，重建只需要神经网络的前馈评估。 Splatter Image 的主要创新是令人惊讶的简单设计：它使用 2D 图像到图像网络将输入图像映射到每个像素一个 3D 高斯。由此产生的高斯函数具有图像的形式，即泼溅图像。
37710编辑于 2023-12-28 - 来自专栏AiCharm
每日学术速递10.15
2.4D Gaussian Splatting for Real-Time Dynamic Scene Rendering 标题：用于实时动态场景渲染的 4D 高斯泼溅 作者：Guanjun Wu, Taoran 我们引入了4D高斯泼溅（4D-GS）来实现实时动态场景渲染，同时还享有高训练和存储效率。构建有效的变形场来模拟高斯运动和形状变形。 不同的相邻高斯通过 HexPlane 连接，以产生更准确的位置和形状变形。 为了在随意图像捕获的 3D 重建方面取得系统性的研究进展，我们提出了 NAVI：一个新的与类别无关的对象图像集合数据集，具有高质量 3D 扫描以及每图像 2D-3D 对齐，提供近乎完美的 GT 相机参数 这些 2D-3D 对齐使我们能够提取准确的衍生注释，例如密集像素对应、深度和分割图。我们演示了 NAVI 图像集合在不同问题设置上的使用，并表明 NAVI 能够实现现有数据集无法实现的更彻底的评估。
37130编辑于 2023-10-24 - 来自专栏点云PCL
迈向下一代SLAM：聚焦性能、鲁棒性与未来方向的3DGS-SLAM综述
3D高斯泼溅（3DGS）以其高效的显式表示和高质量的渲染能力，为SLAM提供了一种新的重建范式。本综述全面回顾了将3DGS与SLAM集成的关键技术方法。 新兴的3D高斯泼溅（3DGS）技术弥合了这一鸿沟，它提供了一种显式表示，兼具NeRF的渲染质量和卓越的渲染速度。 背景 3D高斯泼溅方法 3DGS框架包含四个核心算法阶段：点云与高斯基元初始化、可微分投影、光栅化渲染、场景优化。 1. 从该点云出发，每个3D高斯泼溅体被初始化为具有位置、不透明度、协方差和颜色（通常由球谐函数表示）等参数的基元。 2. 可微分投影：给定相机位姿，系统首先剔除位于视锥体之外的高斯体。 图3. 3D高斯泼溅通用流程图。该方法从稀疏点初始化出发，通过可微分光栅化渲染视图，并利用自适应优化迭代细化几何结构。
38010编辑于 2026-03-26 - 来自专栏新智元
孪生世界动态仿真新突破！北大发布RainyGS：降雨/洪涝/风速精准可控
新智元报道 编辑：LRST 好困 【新智元导读】北京大学陈宝权教授团队提出RainyGS技术，通过结合物理模拟和3D高斯泼溅渲染框架，实现了真实场景中动态雨效的高质量仿真与呈现，真正实现「从真实到真实 」，或者「以仿真乱真」，即Real2Sim2Real ！ 神经辐射场（NeRF）及三维高斯泼溅（3D Gaussian Splatting，3DGS）虽能构建静态数字孪生，却无法模拟真实世界的动态，不仅限制了虚拟现实和混合现实的真实感，也是智能训练与Real2Sim2Real 最后，基于图像的渲染（IBR）将各分量进行混合，生成逼真、动态的降雨场景 RainyGS的核心在于将基于物理的雨滴和浅水模拟技术与快速的高斯泼溅渲染框架相结合，实现了真实场景中动态雨效的高质量呈现。 高效的外观渲染 引入屏幕空间光线追踪技术，精准还原水面反射与折射效果； 依托三维高斯泼溅（3DGS）和基于图像的渲染（IBR）框架实现每秒30帧的实时渲染。
53810编辑于 2025-04-10 - 来自专栏AiCharm
每日学术速递1.15
2.One Model to Rule them All: Towards Universal Segmentation for Medical Images with Text Prompts 标题： Gaussian Splatting: Fast and Generalizable Single-View 3D Reconstruction with Transformers 标题：riplane 遇上高斯泼溅 我们的方法利用两个基于变压器的网络，即点解码器和三平面解码器，使用混合三平面高斯中间表示来重建 3D 对象。 点解码器设计用于从单个图像生成点云，提供显式表示，然后三平面解码器利用该表示来查询每个点的高斯特征。这种设计选择解决了与直接回归显式 3D 高斯属性（其非结构性特征）相关的挑战。 随后，3D 高斯由 MLP 解码，以便能够通过泼溅进行快速渲染。两种解码器都建立在可扩展的、基于 Transformer 的架构之上，并且已经在大规模 3D 数据集上进行了有效的训练。
26010编辑于 2024-01-15 - 来自专栏康谋
端到端智驾模拟软件推荐——为什么选择Keymotek的aiSim？
从L2/ADAS到L4/L5等级的自动驾驶，虚拟模拟已经成为其中的关键一环。特别是对于「端对端」智驾（端到端自动驾驶）模型的训练、验证和安全测试，高置信度、高保真的模拟平台至关重要。 2. 高还原真实环境模拟aiSim拥有自研实时渲染引擎，能够完全确保各种物理环境与条件（如雨、雪、雾）的高度还原，且模拟环境具有确定性和可复现性。 同时，它支持AI场景合成（NeRF神经辐射场、3D高斯泼溅渲染等技术），可以产生静态的场景，并加入动态元素。这一点非常适合用于产生训练集/验证集，尤其是涵盖稀有场景（天气极端、复杂交通）时。6. 使用NeRF、3D高斯泼溅等技术重建真实的世界地图和环境。与传统实体渲染（光线追踪、栅格化）结合，兼顾高保真度和高效率。这种融合技术使得场景既真实又灵活，适合大规模自动驾驶测试。
37710编辑于 2025-11-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号