- 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。
49210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
此外，我们还探索了如何利用增量构建的高斯地图提升里程计的鲁棒性：通过将来自高斯地图的光度约束紧密融合进连续时间因子图优化中，在激光雷达性能退化场景下实现更优的位姿估计。 该系统可以在实时条件下，稳定而精确地估计位姿，并构建真实感和几何精确度俱佳的三维高斯地图。 此外还扩展了该系统，使得构建好的高斯地图可用于下游任务，例如视频帧插值与快速三维网格生成。 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 应用二 - 快速三维网格提取：从实时重建的高斯地图中生成的法线着色网格。 总结 本文提出了一种新颖的 激光雷达-惯性-相机高斯投影 SLAM 系统，该系统能够兼顾视觉质量、几何精度与实时性能。
71210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。 在数峦云的实践中，高斯泼溅在效率与视觉真实性之间取得了相对平衡，为实景三维数据的规模化应用提供了新的技术路径。 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。 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。
19610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。
58110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？
利用相机的投影矩阵，定义一个相机截锥空间，将这个深度不确定性转化为三维分布，并表示为具有均值和协方差矩阵的高斯分布。 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。 这里采用了高斯栅格化技术，这是一种用于模拟三维场景的技术，通过定义三维均值μ∈R3、三维协方差矩阵 和透明度 来描述三维高斯分布。 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 。
46210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。
44510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
编辑：LRST 【新智元导读】本文将为大家介绍CVPR 2024 Highlight的论文LangSplat: 3D Language Gaussian Splatting（三维语义高斯泼溅）。 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。 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.
56110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。
1.7K10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
(b) 相比之下，SplatSSC 利用几何先验进行引导，仅需一组精简且目标明确的高斯基元，即可实现高效的空间覆盖。 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（ 这种机制无需引入复杂的启发式规则，即可优雅地解决困扰高斯表征的 "漂浮物" 问题。 图 4：DGA 鲁棒性演示。 3.2 消融实验 高斯基元参数的消融分析：这组实验揭示了一个关键结论：基元堆砌并不等同于精度提升。 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。
30310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。 论文提出的解决方案是通过分层高斯世界模型构建"领导者-跟随者"架构，其中领导者预测稳定臂运动导致的高斯泼溅变形，跟随者则生成动作臂运动产生的物理后果，这种创新架构为多体动态建模提供了全新思路。 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。 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。 基线PerAct²仅获得5.67%的成功率，添加高斯回归器提升至20.00%，说明3D高斯表征比传统体素更有效。加入任务导向高斯泼溅后性能提高到26.67%，证实了区分双臂角色的重要性。
35010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。
37310编辑于 2024-06-27 - 来自专栏AiCharm
每日学术速递12.24
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）。 最后，为了捕捉精细的头像几何形状并提取详细的网格，我们提出了一种新颖的基于 SDF 的 3D 高斯隐式网格学习方法，该方法可以规范底层几何形状并提取高度详细的纹理网格。
32910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）。
25000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。
34810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。
35930编辑于 2023-10-24 - 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 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。 其核心技术架构包含三大关键模块： 紧致的信息提取 基于高斯表面投影实现场景高度场的无损提取, 服务于后续高精度的物理仿真； 基于高斯表达高效渲染几何属性，如场景的深度图、法向图，服务于后续高保真的屏幕渲染 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。
50610编辑于 2025-04-10 - 来自专栏AiCharm
每日学术速递1.15
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。
24410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？
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。
32210编辑于 2025-11-18 让世界被AI理解，空间智能时代的新表达：从“看见”到“看懂”
高斯数据：为AI而生的“空间语义”载体面对这一挑战，3D高斯泼溅（3DGaussianSplatting）技术应运而生，并展现出成为下一代“世界表达载体”的巨大潜力。 与传统Mesh的“面状表达”不同，高斯数据以“点”为核心，通过数百万个可微分的高斯椭球构建连续的世界。 双向互通，语义升级：高斯数据实现了2D语义与3D空间的完美映射。既能从高斯场渲染出图像供通用大模型分析，又能将像素级语义反投射回3D空间，给每个高斯球打上语义标签。 云舟之路：以“视频孪生”激活高斯潜能选择高斯数据，并非追逐热点，而是技术基因的深度契合。 然而，将高斯数据应用于工业级空间智能仍面临挑战，尤其是海量高斯球带来的显存压力。
2000编辑于 2026-03-19每周AI论文速递（251208-251212）
Visionary: The World Model Carrier Built on WebGPU-Powered Gaussian Splatting Platform Visionary: 基于 WebGPU 高斯泼溅平台的世界模型载体 神经渲染，特别是 3D 高斯泼溅 (3D Gaussian Splatting, 3DGS) 技术，已迅速发展成为构建世界模型的关键组件。 为此，我们提出了 Visionary，一个开放的、基于 Web 的原生平台，用于实时渲染各类高斯泼溅与网格数据。 Visionary 引入了一个标准化的高斯生成器接口，不仅支持标准 3DGS 渲染，还允许以即插即用的方式，在每帧生成或更新高斯分布。这种推理能力也使得前馈式生成后处理得以应用。
25910编辑于 2025-12-29
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