Material Palette: Extraction of Materials from a Single Image
Inria（法国国家信息与自动化研究所）；University of Oxford（牛津大学）
本文提出Material Palette方法，通过扩散模型映射材质概念并生成纹理，再分解为SVBRDF，结合无监督域适应从单张真实图像中提取PBR材质，用于3D场景编辑。
2023-11-28 cs.CV cs.GR
Modeling Surface Appearance from a Single Photograph using Self-augmented Convolutional Neural Networks
我们提出了一种基于卷积神经网络（CNN）的解决方案，用于从未知自然光照下的平面材料样本的单张照片中建模物理上合理的空间变化表面反射函数（SVBRDF）。收集足够大的一组标记的训练对，包括SVBRDF样本的照片和相应的反射率参数，是一个困难和艰巨的过程。为了减少所需的标记训练数据的量，我们建议利用嵌入在空间变化材料的未标记图像中的外观信息来自增强训练过程。从一个初始的近似网络从一个小的一组标记的训练对，我们估计每个未标记的训练样本的临时模型参数。鉴于此临时反射率估计，然后我们合成一个新的临时标记的训练对渲染的确切对应的图像在一个新的照明条件下。在使用这些额外的训练样本优化网络后，我们重新估计未标记数据的临时模型参数，并重复自增强过程，直到收敛。我们展示了所提出的网络结构对空间变化的木材，金属和塑料的有效性，并彻底验证了自我增强训练过程的有效性。
2018-09-04 cs.GR
MAIR: Multi-view Attention Inverse Rendering with 3D Spatially-Varying Lighting Estimation
Korea University（高丽大学）；University of Science and Technology（韩国科学技术联合大学院大学）；Yonsei University（延世大学）
我们提出了一个场景级的逆渲染框架，使用多视图图像分解成几何，SVBRDF和三维空间变化的照明场景。由于多视点图像提供了关于场景的各种信息，因此多视点图像在对象级逆绘制中已被视为理所当然。然而，由于缺乏多视点HDR合成数据集，场景级逆绘制主要是使用单视点图像进行研究。我们能够通过扩展OpenRooms数据集和设计有效的管道来处理多视图图像，并分割空间变化的照明，成功地使用多视图图像执行场景级逆渲染。实验结果表明，该方法不仅比基于单视图的方法具有更好的性能，而且对不可见的真实场景也具有鲁棒性。此外，我们先进的3D空间变化照明体积允许在任何3D位置插入逼真的对象。
2023-03-27 cs.CV cs.GR
MetaSapiens: Real-Time Neural Rendering with Efficiency-Aware Pruning and Accelerated Foveated Rendering
针对移动设备上实时基于点的神经渲染难度大的问题，研究团队提出MetaSapiens系统，通过效率感知剪枝、适配的中心凹渲染及对应加速器设计，在保持人眼视觉质量的前提下实现了数量级的速度提升。
2024-12-06 cs.GR
Chord: Chain of Rendering Decomposition for PBR Material Estimation from Generated Texture Images
ETH Zürich（苏黎世联邦理工学院）
提出两阶段“生成与估计”框架Chord，通过微调扩散模型生成纹理，并利用链式分解方案依次预测SVBRDF通道，实现高质量、灵活可控的PBR材质生成与估计。
2025-09-12 cs.CV cs.GR
MetaSapiens v2: Advancing Real-Time Foveated Neural Rendering via Foveation-Aware Pruning and Stereo Warping
University of Rochester（罗切斯特大学）；Shanghai Jiao Tong University（上海交通大学）
MetaSapiens v2通过效率感知剪枝、注视感知渲染、选择性扭曲及双目FR加速器四项技术，在保持视觉质量的前提下，将PBNR速度提升一个数量级，解决VR/AR实时渲染挑战。
2026-08-19 cs.GR
On-the-Fly Power-Aware Rendering
在台式计算机中，特别是在诸如移动电话的电池供电设备中，节能是普遍关注的问题。这使得对能够延长电池寿命同时保持良好质量的功耗感知图形应用的需求不断增长。在本文中，我们解决这个问题，提出了一个实时的节能渲染框架，能够动态地选择渲染配置在给定的功率预算内的最佳质量。与现有技术不同的是，我们的方法不需要预先计算整个相机视图空间，也不需要Pareto曲线来探索巨大的功率误差空间;因此，它也可以处理动态场景。我们的算法是基于两个关键组成部分：我们的新的功率预测模型，和我们的运行时质量误差估计机制。这些组件允许我们在运行时搜索最佳渲染配置，对用户透明。我们证明了我们的框架在两个不同的平台上的性能：一个台式计算机，和一个移动终端。在这两种情况下，我们都能产生接近最高质量的结果，同时实现显著的节能。
2018-07-31 cs.GR
ESVR: 3D Ellipsoid-based Sparse Volume Rendering via Structure-aware Primitive Learning and Per-primitive Ray Sampling
Korea University（高丽大学）
针对现有3DGS方法依赖DVR图像学习导致信息损失与传递函数控制受限的问题，提出ESVR框架，结合结构感知基元学习与逐基元光线采样等技术，实现大规模稀疏体数据的高效压缩与实时高质量渲染。
2026-08-07 cs.GR
Dr.Bokeh: DiffeRentiable Occlusion-aware Bokeh Rendering
本文提出基于物理、遮挡感知且可微的 Dr.Bokeh 渲染器，通过分层 RGBD 表示与新型滤波渲染方程解决边界颜色渗透和部分遮挡问题，并提升散景真实感及离焦深度估计质量。
2023-08-17 cs.GR
From Architectural Sketch to Conceptual Representation: Using Structure-Aware Diffusion Model to Generate Renderings of School Buildings
针对建筑草图生成渲染图缺失结构细节的问题，提出结构感知扩散模型，结合建筑组件与检索增强精炼草图，生成反映设计意图的逼真学校建筑图像。
2025-03-05 cs.GR
Single Image BRDF Parameter Estimation with a Conditional Adversarial Network
University of Tübingen（图宾根大学）
创建合理的表面是在渲染中实现高度真实感的重要组成部分。为了减轻艺术家，谁创建这些表面在一个耗时的，手动的过程中，自动检索的空间变化的双向反射分布函数（SVBRDF）从一个单一的移动电话图像是可取的。通过利用深度神经网络，可以实现这种随意捕获方法。训练后的网络可以从Disney BRDF中估计每个像素的法线，基色，金属和粗糙度参数。输入图像是用相机闪光灯点亮的移动电话拍摄的。该网络经过训练以补偿环境照明，从而学习减少由其他光源引入的伪影。这些损失包含一个多尺度的感知损失，使用微分渲染器的渲染损失，和一个参数损失。除了局部精度，这种损失公式生成的材质纹理图是全球更一致的。该网络被设置为以对抗方式训练的生成器网络，以确保只生成合理的地图。估计的参数不仅在渲染中忠实地再现了材料，而且由于与以前的作品相比具有更多的全局损失项，因此捕获了手工创作材料的风格，而不需要额外的后处理。分辨率和质量都得到了提高。
2019-10-11 cs.CV cs.GR cs.LG
Image-based remapping of spatially-varying material appearance
BRDF模型是表示材料外观的普遍工具。然而，现在有大量不同的模型在实际使用中。在不同的渲染器中发现的实现之间缺乏BRDF模型标准化，以及各种模型通常在语义上不同的功能，已经成为不同渲染系统之间交换生产资产的主要障碍。目前解决这个问题的尝试依赖于手动查找模型之间的视觉相似性，或者它们的功能形状之间的数学相似性，这需要访问着色器实现，通常在商业渲染器中不可用。我们提出了一种方法，不同的BRDF模型之间的材料外观的自动翻译，它使用基于图像的度量外观比较，并代表与模型的渲染器的交互。我们分析了该方法的性能，无论是在鲁棒性和视觉差异的BRDF模型的多个组合的适合。虽然它对单个BRDF是有效的，但对于空间变化的BRDF，计算成本不能很好地扩展。因此，我们进一步提出了一个参数回归方案，近似的形状的变换函数，并生成一个减少表示立即评估，而无需进一步与渲染器的交互。我们提出了各自的视觉比较常用的渲染器和着色模型的重新映射的SVBRDF模型，并表明，我们的方法是能够外推变换BRDF参数比其他复杂的回归计划。
2018-08-20 cs.GR
Temporal Smoothness-Aware Rate-Distortion Optimized 4D Gaussian Splatting
Twelve Labs（十二实验室）；Sejong University（世宗大学）
本文提出了一种针对4DGS的端到端率失真优化压缩框架，通过小波变换提升存储效率，实现高达91倍的压缩率并保持高质量渲染。
2026-01-13 cs.GR
Diffusion Posterior Illumination for Ambiguity-aware Inverse Rendering
Max-Planck-Institut für Informatik（马克斯·普朗克信息学研究所）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Reality Labs Research（现实实验室研究部）
针对逆渲染中光照与材质分解的歧义性和多模态问题，提出结合自然光照扩散先验与可微路径追踪优化的框架，可采样真实多样且能解释观测的环境贴图和材质。
2023-09-30 cs.CV cs.GR
OccluGaussian: Occlusion-Aware Gaussian Splatting for Large Scene Reconstruction and Rendering
Huawei Noah’s Ark Lab（华为诺亚实验室）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Institutes of Advanced Technology（深圳先进技术研究院）；The University of Hong Kong（香港大学）；Huawei Embodied Intelligence Lab（华为具身智能实验室）
OccluGaussian通过遮挡感知的场景划分和区域渲染技术，提升大规模场景重建与渲染的质量和效率。
2025-11-29 cs.CV cs.GR
Rendering-Aware Sparse Sampling for BRDF Acquisition
Media and Information Technology, Department of Science and Technology, Linköping University（_linköping大学科学与技术学院媒体与信息科技系）
提出一种渲染感知的稀疏采样方法，通过可微渲染器优化采样方向，以最少BRDF测量实现高质量材质外观重建。
2026-07-01 cs.CV cs.GR
ControlGS: Conditioning Neural Gaussians for Downstream-Processing-Aware XR Rendering
提出ControlGS，一种面向XR的神经高斯渲染流程，将渲染输出与人眼间的下游处理（如后处理和显示光学）建模并整合进优化目标，并根据下游参数动态生成高斯图元，以提升端到端视觉质量，实验验证其在不同骨干和数据集上持续改善且开销极小。
2026-09-29 cs.CV cs.GR
GeoScaler: Geometry and Rendering-Aware Downsampling of 3D Mesh Textures
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；Dolby Laboratories Inc.（杜比实验室公司）
针对3D网格纹理下采样忽略几何布局与渲染过程的问题，提出GeoScaler方法，通过结合几何线索并最大化渲染视图的视觉保真度，生成比传统方法质量显著更好的纹理。
2024-03-20 cs.CV cs.GR
pi-GAN: Periodic Implicit Generative Adversarial Networks for 3D-Aware Image Synthesis
Stanford University（斯坦福大学）
我们见证了3D感知图像合成的快速进展，利用了生成视觉模型和神经渲染的最新进展。然而，现有的方法在两个方面存在不足：第一，它们可能缺乏底层3D表示或依赖于视图不一致的渲染，因此合成的图像不是多视图一致的;第二，它们通常依赖于表现力不够的表示网络架构，因此它们的结果缺乏图像质量。我们提出了一种新的生成模型，称为周期性隐式生成对抗网络（$π$ -GAN或pi-GAN），用于高质量的3D感知图像合成。$π$ -GAN利用具有周期性激活函数和体积渲染的神经表示来将场景表示为具有精细细节的视图一致的3D表示。所提出的方法获得了国家的最先进的结果，三维感知图像合成与多个真实和合成数据集。
2021-04-05 cs.CV cs.GR
Neural Rays for Occlusion-aware Image-based Rendering
The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Cornell University（康奈尔大学）；Texas A&M University（德州农工大学）
我们提出了一种新的神经表示，称为神经射线（NeuRay），新的视图合成任务。最近的工作构造辐射场的图像特征的输入视图渲染新的视图图像，这使得泛化到新的场景。然而，由于遮挡，3D点可能对某些输入视图不可见。在这样的3D点上，这些泛化方法将包括来自不可见视图的不一致的图像特征，其干扰辐射场构造。为了解决这个问题，我们预测3D点在NeuRay表示中输入视图的可见性。这种可见性使得辐射场构造能够集中于可见图像特征，这显著地提高了其渲染质量。同时，提出了一种新的一致性损失，以改善在NeuRay的可见性时，微调特定的场景。实验表明，我们的方法实现了最先进的性能时，推广到看不见的场景，并优于每个场景的优化方法微调后的新视图合成任务。
2022-03-28 cs.CV cs.GR
Style-Aware Gloss Control for Generative Non-Photorealistic Rendering
University of Zaragoza -- I3A（萨拉戈萨大学--I3A）
本文提出了一种风格感知的光泽控制方法，通过训练生成模型来解耦光泽与艺术风格，实现对非照片实感图像的精细控制。
2026-08-05 cs.CV cs.GR
Towards Attention-aware Foveated Rendering
本文提出首个注意力感知的对比敏感度模型，通过用户研究发现注意力分配显著影响外围敏感度，预测可节省大量带宽，为注意力感知注视点渲染奠定基础。
2023-05-10 cs.GR cs.HC eess.IV
Mimic3D: Thriving 3D-Aware GANs via 3D-to-2D Imitation
本文提出3D到2D模仿策略，让3D渲染分支模仿2D超分辨率分支的输出，并结合3D感知卷积，在保持严格3D一致性的同时显著提升3D感知GAN的图像生成质量。
2023-08-07 cs.CV cs.GR
GaussianHair: Hair Modeling and Rendering with Light-aware Gaussians
ShanghaiTech University（上海科技大学）；LumiAni Technology（LumiAni科技）；Deemos Technology（Deemos科技）；Huazhong University of Science and Technology（华中科技大学）
提出GaussianHair显式头发表示方法，将发丝建模为相连的圆柱形3D高斯基元并结合GaussianHair Scattering Model，实现了高保真几何与外观重建，支持编辑、重照明与动态渲染。
2024-02-16 cs.CV cs.GR
Relighting Humans: Occlusion-Aware Inverse Rendering for Full-Body Human Images
University of Tsukuba（筑波大学）；Toyohashi University of Technology（丰桥技术科学大学）
人类图像的重新照明在图像合成中具有各种应用。为了重新照明，我们必须从一幅人物肖像中推断出肖像、形状和照明。以前的技术依赖于人脸进行这种推断，基于球面谐波（SH）照明。然而，因为它们经常忽略光遮挡，推断的形状是有偏见的，并且重新照明图像是不自然的明亮，特别是在中空区域，如腋窝，裤裆或衣服皱纹。本文介绍了第一次尝试推断轻闭塞的SH制定直接。基于使用卷积神经网络（CNN）的监督学习，我们不仅推断出一个遮挡图，照明，而且还推断出一个光传输图，该图将遮挡编码为每个像素的9个SH系数。这种推断的主要困难是缺乏训练数据集，而人类肖像的变化是无限的。令人惊讶的是，通过仔细准备数据集，即使使用合成人物的小数据集也可以合理地推断包括遮挡在内的几何信息，以便CNN可以利用数据的一致性。我们的方法完成更现实的重照明比闭塞忽略配方。
2019-08-07 cs.CV cs.GR
Scene-Aware Audio Rendering via Deep Acoustic Analysis
University of Maryland（马里兰大学）；Adobe Research（奥多比研究院）
我们提出了一种新的方法来捕获使用商品设备的真实世界的房间的声学特性，并使用捕获的特性来生成类似的声源与虚拟模型。给定捕获的音频和真实世界房间的近似几何模型，我们提出了一种新的基于学习的方法来估计其声学材料特性。我们的方法是基于深度神经网络，估计混响时间和均衡的房间从记录的音频。这些估计被用来计算材料属性相关的房间混响使用一种新的材料优化目标。我们使用估计的声学材料特性的音频渲染使用交互式几何声音传播和突出的性能在许多现实世界的情况下。我们还进行了用户研究，以评估录制的声音和我们渲染的音频之间的感知相似性。
2020-02-09 cs.GR cs.MM cs.SD
AvatarMe++: Facial Shape and BRDF Inference with Photorealistic Rendering-Aware GANs
Imperial College London（伦敦帝国学院）
在过去的几年里，许多人脸分析任务已经取得了惊人的性能，应用包括人脸生成和3D人脸重建从一个单一的“在野外”的图像。然而，据我们所知，没有方法可以从“野外”图像中生成渲染就绪的高分辨率3D人脸，这可以归因于：（a）用于训练的可用数据稀缺，以及（b）缺乏可以成功应用于非常高分辨率数据的鲁棒方法。在这项工作中，我们介绍了第一种方法，能够重建逼真的渲染准备的3D面部几何和BRDF从一个单一的“在野外”的图像。我们捕获了一个关于面部形状和反射率的大型数据集，并将其公开。我们定义了一个快速的面部真实感微分绘制方法，精确的面部皮肤漫反射和镜面反射，自遮挡和次表面散射近似。有了这个，我们训练一个网络，该网络将面部漫反射和镜面反射BRDF分量从具有烘焙照明的形状和纹理中分离出来，用最先进的3DMM拟合方法重建。我们的方法优于现有技术的一个显着的利润率和重建高分辨率的3D人脸从一个单一的低分辨率图像，可以在各种应用程序中渲染，和桥梁的恐怖谷。
2021-12-11 cs.CV cs.GR
Generative Novel View Synthesis with 3D-Aware Diffusion Models
Stanford University（斯坦福大学）；NVIDIA（英伟达）
提出一种基于扩散模型的方法，通过结合2D扩散骨干网络与3D特征体几何先验，从单张图像实现3D感知的生成式新视角合成及3D一致序列的自回归合成，并在合成与真实场景中取得先进效果。
2023-04-05 cs.AI cs.CV cs.GR
NeRFlex: Resource-aware Real-time High-quality Rendering of Complex Scenes on Mobile Devices
UM-SJTU Joint Institute（上海交通大学密西根学院）；Shanghai Jiao Tong University（上海交通大学）
NeRFlex 是一个移动设备上复杂场景的资源感知实时高质量渲染框架，通过多 NeRF 表示分解场景并结合动态规划算法优化配置，在商用移动设备上实现了实时高质量渲染。
2025-04-04 cs.CV cs.GR cs.LG
Ref-DVGO: Reflection-Aware Direct Voxel Grid Optimization for an Improved Quality-Efficiency Trade-Off in Reflective Scene Reconstruction
KU Leuven（鲁汶大学）；Ford Motor Company（福特汽车公司）
针对反射场景NeRF重建质量与效率难以兼顾的问题，提出Ref-DVGO方法，采用基于密度的网格表示与反射辐射度重参数化，实现了更优的质量-效率权衡，并探讨了相关影响因素。
2023-08-21 cs.CV cs.GR
Gear-NeRF: Free-Viewpoint Rendering and Tracking with Motion-aware Spatio-Temporal Sampling
Dartmouth College（达特茅斯学院）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）；HKUST（香港科技大学）
Gear-NeRF利用语义分割信息学习4D语义嵌入，按运动程度分层建模动态区域并自适应调整时空采样分辨率，在提升动态新视图合成质量的同时实现自由视点目标跟踪。
2024-06-06 cs.CV cs.GR cs.MM
TileGen: Tileable, Controllable Material Generation and Capture
Texas A&M University（德克萨斯农工大学）；Adobe Research（奥多比研究院）
最近的方法（例如MaterialGAN）使用无条件GANs来生成每像素材质图，或者作为从输入照片重建材质的先决条件。这些模型可以生成各种随机材质外观，但没有任何机制来将生成的材质约束到特定类别或控制生成的材质的粗略结构，例如砖墙上的确切砖布局。此外，从单个输入照片重建的材料通常具有伪影并且通常不可平铺，这限制了它们在实际内容创建流水线中的使用。我们提出了TileGen，SVBRDFs的生成模型，是特定于一个材料类别，总是平铺，并可选地提供的输入结构模式的条件。TileGen是StyleGAN的变体，其架构经过修改，始终生成可平铺（周期性）材质贴图。除了标准的“风格”潜在代码外，TileGen还可以选择拍摄条件图像，让用户直接控制材料的主要空间（以及可选的颜色）特征。例如，在砖材质中，用户可以指定砖布局和砖颜色，或者在皮革材质中，指定褶皱和折叠的位置。我们的逆渲染方法可以找到一个材料的感知匹配一个单一的目标照片通过优化。这种重建也可以以用户提供的图案为条件。生成的材质是可平铺的，可以大于目标图像，并且可以通过改变条件进行编辑。
2022-06-20 cs.CV cs.GR
Unsupervised Learning of Style-Aware Facial Animation from Real Acting Performances
Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；Humboldt University（洪堡大学）
提出一种基于混合形状、动态纹理和神经渲染的文本/语音驱动面部动画方法，通过VAE和条件CNN无监督学习解耦表演风格，并用U-Net优化渲染，显著提升质量。
2023-09-01 cs.CV cs.GR cs.LG
DaReNeRF: Direction-aware Representation for Dynamic Scenes
United Imaging Intelligence（联影智能）；Vanderbilt University（范德堡大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Buffalo（布法罗大学）
本文提出DaReNeRF，利用六方向DaRe表示与逆DTCWT恢复平面特征，并以可训练掩码降低冗余，实现复杂动态场景高质量新视角合成，训练时间较先前方法减少2倍。
2024-03-04 cs.CV cs.GR
GroomLight: Hybrid Inverse Rendering for Relightable Human Hair Appearance Modeling
Stanford University（斯坦福大学）；Google（谷歌公司）；ETH Zurich（苏黎世联邦理工学院）
本文提出 GroomLight，通过结合扩展头发 BSDF 与光照感知残差模型的混合逆渲染流程，从多视角图像实现高保真的头发重光照、视角合成与材质编辑。
2025-03-13 cs.CV cs.GR
AR-NeRF: Unsupervised Learning of Depth and Defocus Effects from Natural Images with Aperture Rendering Neural Radiance Fields
NTT Communication Science Laboratories, NTT Corporation（NTT株式会社NTT通信科学实验室）
完全无监督的三维表示学习由于其在数据汇集方面的优势而受到关注。成功的方法涉及基于生成模型（例如，生成对抗网络（GANs））同时基于3D感知模型（例如，神经辐射场（NeRF））。然而，它们需要具有各种视图的图像进行训练，因此，将其应用于具有很少或有限视点的数据集仍然是一个挑战。作为一种补充方法，提出了一种采用散焦提示的孔径渲染GAN（AR-GAN）。然而，AR-GAN是一种基于CNN的模型，尽管具有高相关性，但它独立于视点变化表示散焦，这是其性能的原因之一。作为AR-GAN的替代方案，我们提出了一种孔径渲染NeRF（AR-NeRF），它可以通过在一个共同的光线跟踪框架中表示这两个因素，以统一的方式利用视点和散焦线索。此外，为了以一种解脱的方式学习散焦感知和散焦独立的表示，我们提出了孔径随机化训练，我们学习在独立随机化孔径大小和潜在代码的同时生成图像。在我们的实验中，我们将AR-NeRF应用于各种自然图像数据集，包括花卉，鸟类和人脸图像，其结果证明了AR-NeRF用于深度和散焦效果的无监督学习的实用性。
2022-06-13 cs.AI cs.CV cs.GR
Few-shot Novel View Synthesis using Depth Aware 3D Gaussian Splatting
University of California Santa Cruz（加州大学圣克鲁兹分校）
本文提出一种用于少样本新视角合成的深度感知3D高斯泼溅方法，利用单目深度先验、尺度不变深度损失、低阶球谐函数建模并保留所有泼溅，显著提升了少视角下的重建质量与渲染效果。
2024-10-14 cs.AI cs.CV cs.GR
DreamMat: High-quality PBR Material Generation with Geometry- and Light-aware Diffusion Models
State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室）；Tencent Games（腾讯游戏）；Texas A&M University（德州农工大学）
DreamMat通过微调光照感知扩散模型并应用一致光照，从文本生成高质量PBR材质，消除烘焙着色，显著提升渲染质量，适用于游戏和电影制作。
2024-05-27 cs.AI cs.GR
PaMoSplat: Part-Aware Motion-Guided Gaussian Splatting for Dynamic Scene Reconstruction
PaMoSplat通过引入部分感知和运动先验，提出一种动态高斯散射框架，提升动态场景重建的渲染质量和跟踪精度。
2026-05-11 cs.CV cs.GR cs.RO
Differentiable Robot Rendering
Columbia University（哥伦比亚大学）；Stanford University（斯坦福大学）
本文提出可微分机器人渲染方法，结合运动学感知可变形模型与高斯泼溅，使机器人外观对控制参数可微，从而支持从像素直接优化位姿并通过视觉语言模型控制机器人。
2024-10-17 cs.CV cs.GR cs.RO
Geo-NVS-w: Geometry-Aware Novel View Synthesis In-the-Wild with an SDF Renderer
Centre for Research and Technology Hellas (CERTH)（希腊研究中心与技术中心）
Geo-NVS-w通过SDF渲染器实现野外高保真新视角合成，采用几何保持损失提升细节精度，显著降低能耗。
2026-01-13 cs.AI cs.CV cs.GR
