- 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。
91410编辑于 2025-06-05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。
88310编辑于 2025-09-03- 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。 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 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 实时真实感激光雷达-惯性-相机 SLAM 系统主要包括两个模块：一个连续时间的紧耦合激光雷达-惯性-相机里程计系统，以及一个基于3D高斯样本（3DGS）的增量式真实感建图后端。 （3DGS）在时空上的建模能力。
1.3K10编辑于 2025-07-12 - 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。
61910编辑于 2024-02-22 - 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。
1K10编辑于 2026-02-11 - 来自专栏数字孪生技术实战
数字孪生领域的三大主流建模技术：倾斜摄影、3D 高斯泼溅、点云
此文系统梳理倾斜摄影、点云、3D 高斯泼溅（3DGS）这三大主流建模技术以及数字孪生技术，理清它们的原理、关系、优缺点和应用场景。 3D 高斯泼溅：这是 2023 年才火起来的革命性技术。它不用传统的三角形面片，而是用无数个 "彩色透明小球"（高斯椭球）来表示三维世界。 它是所有三维建模技术的基础数据源，倾斜摄影和 3DGS 的初始重建都离不开点云。3DGS 适合对视觉效果要求高的交互场景，比如 VR/AR 体验、数字营销、虚拟展厅、设备远程巡检。 Web 端展示、移动端应用、VR/AR 内容、数字孪生前端渲染3. 3DGS 技术之所以能快速崛起，正是因为它在重建速度和渲染速度上都有巨大优势。未来，我们有望实现 "所见即所得" 的实时三维重建。3.
20200编辑于 2026-08-11 - 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？
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。 由此，软深度估计被转换为一个三维高斯分布，其均值μ3d代表了三维空间中的分布中心，协方差矩阵 描述了分布的扩散程度。 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 。
70610编辑于 2025-06-15 - 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）。 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.
91410编辑于 2024-06-28 - 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
虽然近期涌现出的 “对象中心” 范式（如 GaussianFormer）利用 3D 高斯基元（Gaussian Primitives）显著提升了效率，但这一路径仍面临两大瓶颈： 1. 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. 通过组内多尺度融合（GMF）模块，这两类特征在经过采样后被映射到 3D 空间，完成高斯基元的几何初始化，并交由多级编码器进行精炼，最后通过 DGA 模块渲染为语义体素。 高质高效基元生成：基于生成的几何先验，我们仅需 1200 个高斯基元（约为前作的 7%），即可精准覆盖场景结构的空间分布。 图 3：GCA 层的技术细节。 表 3：SplatSSC 核心组件消融实验。
70810编辑于 2026-01-30 - 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。
2.6K10编辑于 2025-02-10 - 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。 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。
59810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。 到了 2023 年 10 月，他在业余时间开始玩高斯泼溅技术。他喜欢在业余时间尝试新事物并研究新的模型。 3DGS（3D Gaussian Splatting）是当时的新技术。 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。 在使用泼溅方法进行渲染时，低通滤波器是非常常见的。但当它应用于优化框架（从多视图图像重建）时，它会引入一种偏置，使得真实的 3D 高斯变小（因为滤波器在渲染过程中会使其变大）。
52810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。 NVIDIA 3DGRUT 仓库包含一个脚本，用于将 .ply 泼溅文件转换为 USDZ 文件，这是一个包含 USD 特定数据的 zip 压缩包。 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
64510编辑于 2026-03-22Spark 2.0开源技术深扒：连续LoD + RAD流式格式 + GPU虚拟内存，3D高斯泼溅终于能在浏览器里跑1亿点了
李飞飞团队这次开源的，是一个基于Three.js和WebGL2构建的3D高斯泼溅渲染引擎，专为网页端设计，可以流式传输和渲染超过1亿个高斯泼溅点。 简单说，你拍一圈照片生成的3D场景，现在可以在手机、平板、VR设备的浏览器里直接打开，不用装插件，不用等半天加载。干孪生八年，见过太多demo牛得像科幻片，真拿给客户一跑——卡成PPT。 那Spark 2.0用的3D高斯泼溅呢？本质上就是用带有透明度属性的半透明彩色椭球体，也就是splat，一个个堆叠出模型。 这三项技术结合起来，最直观的感受就是：以前你发一个3D模型链接给客户，他打开等十秒还在转圈。 宁夏电力公司用无人机拍铁塔，用高斯泼溅还原施工现场，在虚拟环境里模拟脚手架搭建；中控信息那边也提到，基于3DGS的三维重建，效率比传统方案提升10倍以上；还有像公园、小镇、商业街等小场景通过高斯泼溅技术搭建
75810编辑于 2026-05-19- 来自专栏AiCharm
每日学术速递12.24
3.GAvatar: Animatable 3D Gaussian Avatars with Implicit Mesh Learning 标题：GAvatar：具有隐式网格学习的可动画 3D 高斯头像 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）。
47910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）。
45900编辑于 2025-04-09 从像素到空间：3D图形引擎如何重塑世界模型的未来
其中，3D高斯泼溅（3D Gaussian Splatting）和神经辐射场（NeRF）是最受关注的两项技术。高斯泼溅将3D场景表示为一系列带数学分布的“点云泼溅”，能够实现快速、逼真的渲染。 更关键的是，这些3D表达方式正在与生成式AI深度融合。例如，FlexWorld框架能够从单张图像出发，逐步构建一个持久的3D高斯泼溅场景，支持360°旋转和缩放等灵活视角的探索。 PAIWorld已经在DiT世界模型的基础上引入了3D几何先验；PERSIST用持久3D状态替代了像素历史；3WM用概率图模型统一了多种3D任务。 与其让模型记忆海量的像素帧，不如让它维护一个紧凑的3D场景表征——可以是高斯泼溅点云，可以是神经辐射场，也可以是更传统的网格加纹理。这个3D表征作为世界的“持久记忆”，随着智能体的探索不断更新和完善。 但神经渲染技术（如3D高斯泼溅）是可微的，这意味着整个系统可以从“生成的画面是否真实”这个最终目标出发，端到端地优化3D场景表征、渲染参数和生成策略。 第四，3D场景的生成与编辑。
30000编辑于 2026-07-02- 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。
51810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。 3.NAVI: Category-Agnostic Image Collections with High-Quality 3D Shape and Pose Annotations 标题：NAVI： 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
48830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。 通过这些阶段，3DGS-SLAM系统将SLAM的鲁棒位姿估计与3DGS的高保真建图相结合，实现了实时高质量重建。 图3. 3D高斯泼溅通用流程图。
1.3K10编辑于 2026-03-26
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