3D 视觉

Neural Texture Splatting: Expressive 3D Gaussian Splatting for View Synthesis, Geometry, and Dynamic Reconstruction

神经纹理散射：用于视图合成、几何和动态重建的表达性3D高斯散射

Yiming Wang, Shaofei Wang, Marko Mihajlovic, Siyu Tang

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract)；novel view synthesis(abstract)；分类 cs.CV、cs.GR

AI总结 本文提出神经纹理散射方法，通过全局神经场提升3D高斯散射在视图合成、几何和动态重建中的性能。

Comments SIGGRAPH Asia 2025 (conference track), Project page: https://19reborn.github.io/nts/

ReCoGS: Real-time ReColoring for Gaussian Splatting scenes

ReCoGS: 用于高斯点云场景的实时重绘

Lorenzo Rutayisire, Nicola Capodieci, Fabio Pellacini

机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；NeRF(abstract)；novel view synthesis(abstract)；分类 cs.CV、cs.GR

AI总结 ReCoGS通过用户友好的流程实现高斯点云场景的实时重绘，解决视角不一致和计算需求高等问题。

Comments Project page is available at https://github.com/loryruta/recogs

DensifyBeforehand: LiDAR-assisted Content-aware Densification for Efficient and Quality 3D Gaussian Splatting

提前密集化：基于LiDAR的内容感知密集化以实现高效且高质量的3D高斯溅射

Phurtivilai Patt, Leyang Huang, Yinqiang Zhang, Yang Lei

机构 * The University of Hong Kong（香港大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract)；point cloud(abstract)；分类 cs.CV

AI总结 本文提出基于LiDAR的内容感知密集化方法，通过结合稀疏LiDAR数据与单目深度估计，提升3D高斯溅射的初始化效率和视觉质量，降低资源消耗和训练时间。

Splats in Splats: Robust and Effective 3D Steganography towards Gaussian Splatting

Splats in Splats: 3DGS中稳健且有效的3D隐写术

Yijia Guo, Wenkai Huang, Yang Li, Gaolei Li, Hang Zhang, Liwen Hu, Jianhua Li, Tiejun Huang, Lei Ma

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3DGS(abstract)；3D reconstruction(abstract)；分类 cs.CV

AI总结 splats in splats 是首个在3DGS中嵌入3D内容且不修改属性的隐写术框架，通过球谐函数加密和卷积自编码器实现高保真度与高速度的隐写术方法。

Comments Accepted by AAAI 2026

PhysGS: Bayesian-Inferred Gaussian Splatting for Physical Property Estimation

PhysGS：基于贝叶斯推断的高斯点云法用于物理性质估计

Samarth Chopra, Jing Liang, Gershom Seneviratne, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； Stanford University（斯坦福大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3D reconstruction(abstract)；分类 cs.CV、cs.RO

AI总结 PhysGS通过贝叶斯推断结合视觉线索和语言先验，实现对物理属性的密集估计，提升质量、硬度和摩擦误差的准确性。

Comments Submitted to CVPR 2026

Rad-GS: Radar-Vision Integration for 3D Gaussian Splatting SLAM in Outdoor Environments

Rad-GS：用于户外环境的雷达-视觉融合3D高斯点云SLAM

Renxiang Xiao, Wei Liu, Yuanfan Zhang, Yushuai Chen, Jinming Chen, Zilu Wang, Liang Hu

机构 * Department of Automation, School of Mechanical Engineering and Automation, Harbin Institute of Technology（自动化系、机械工程与自动化学院、哈尔滨工业大学） ； School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院、哈尔滨工业大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title)；point cloud(abstract)；novel view synthesis(abstract)；分类 cs.CV、cs.RO

AI总结 Rad-GS通过融合雷达与视觉信息，实现公里级户外环境的3D高斯点云SLAM，提升定位精度与场景重建能力。

Journal ref IEEE Robotics and Automation Letters 10(12), 13359-13366 (2025)

SegSplat: Feed-forward Gaussian Splatting and Open-Set Semantic Segmentation

SegSplat: 用于快速前馈3D重建与丰富开放词汇语义理解的框架

Peter Siegel, Federico Tombari, Marc Pollefeys, Daniel Barath

机构 * ETH Zürich（苏黎世联邦理工学院） ； Google（谷歌） ； Microsoft（微软） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；3D reconstruction(abstract)；分类 cs.CV

AI总结 SegSplat通过单次传递实现高效3D重建与开放集语义分割，无需每场景优化。

CUS-GS: A Compact Unified Structured Gaussian Splatting Framework for Multimodal Scene Representation

CUS-GS: 一种紧凑的统一结构高斯点扩散框架用于多模态场景表示

Yuhang Ming, Chenxin Fang, Xingyuan Yu, Fan Zhang, Weichen Dai, Wanzeng Kong, Guofeng Zhang

机构 * School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机科学学院） ； CAD & CG, Zhejiang University（浙江大学计算机辅助设计与图形学研究所） ； School of Computer Science, University of Bristol（布里斯托大学计算机科学学院） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；分类 cs.CV、cs.RO

AI总结 CUS-GS通过统一结构化高斯点扩散框架，实现多模态场景表示的高效建模与语义一致性。

Comments 15 pages, 8 figures, 4 tables

Vision-Only Gaussian Splatting for Collaborative Semantic Occupancy Prediction

仅视觉的高斯散射用于协作语义占用预测

Cheng Chen, Hao Huang, Saurabh Bagchi

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；分类 cs.CV、cs.RO

AI总结 本研究提出基于稀疏3D语义高斯散射的协作语义占用预测方法，通过高效融合和减少通信开销，提升了协作感知的性能和鲁棒性。

Comments Accepted by AAAI 2026 (Oral)

Alias-free 4D Gaussian Splatting

无别名的4D高斯散射

Zilong Chen, Huan-ang Gao, Delin Qu, Haohan Chi, Hao Tang, Kai Zhang, Hao Zhao

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Beijing Academy of Artificial Intelligence, BAAI（北京人工智能研究院，BAAI） ； Fudan University（复旦大学） ； Peking University（北京大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(title,abstract)；分类 cs.CV

AI总结 本研究提出了一种无别名的4D高斯散射方法，通过引入最大采样频率公式和尺度自适应滤波器，有效减少渲染伪影并提升多视角视频重建效率。

Comments Project page: https://4d-alias-free.github.io/4D-Alias-free/

Faster and Better 3D Splatting via Group Training

更高效且更好的3D点云绘制方法：通过分组训练

Chengbo Wang, Guozheng Ma, Yifei Xue, Yizhen Lao

机构 * Hunan University（湖南大学） ； Nanyang Technological University（南洋理工大学） ； Lushan Innovation Lab（庐山创新实验室） ； Key Laboratory of Digital Culture Smart Design Technology, Minstry of Culture and Tourism（文化与旅游部数字文化智能设计技术重点实验室） 纠错

专题命中 Gaussian Splatting ：3DGS(abstract,comments)；Gaussian Splatting(abstract)；novel view synthesis(abstract)；分类 cs.CV

AI总结 本文提出分组训练方法，通过将高斯基本形体分组优化训练效率和渲染质量，实现更高效的3D点云绘制

Comments Accepted to ICCV 2025. Code is available at https://github.com/Chengbo-Wang/3DGS-with-Group-Training

Upsample Anything: A Simple and Hard to Beat Baseline for Feature Upsampling

Upsample Anything: 一种简单且难以被超越的特征上采样基线

Minseok Seo, Mark Hamilton, Changick Kim

机构 * KAIST（韩国科学技术院） ； MIT（麻省理工学院） ； Microsoft（微软公司） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；分类 cs.CV

AI总结 Upsample Anything通过简单每张图像优化方法实现高效特征上采样，适用于多种像素级任务，性能优于现有方法。

Comments 15 pages, 12 figures

2D Gaussians Spatial Transport for Point-supervised Density Regression

二维高斯空间传输用于点监督密度回归

Miao Shang, Xiaopeng Hong

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；分类 cs.CV

AI总结 本文提出基于高斯空间传输的点监督密度回归方法，通过高斯散射估计像素与标注对应关系，并利用贝叶斯概率计算传输计划，提升计算机视觉任务的效率。

Comments 15 pages, 6 figures. This is the preprint version of the paper and supplemental material to appear in AAAI, 2026. Please cite the final published version. Code is available at https://github.com/infinite0522/GST

AEGIS: Preserving privacy of 3D Facial Avatars with Adversarial Perturbations

AEGIS：通过对抗扰动保护3D人脸虚拟形象的隐私

Dawid Wolkiewicz, Anastasiya Pechko, Przemysław Spurek, Piotr Syga

机构 * Wroclaw University of Science and Technology（波兹南科技大学） ； Jagiellonian University（雅盖隆大学） 纠错

专题命中 Gaussian Splatting ：Gaussian Splatting(abstract)；分类 cs.CV

AI总结 AEGIS通过对抗扰动技术，为3D人脸虚拟形象提供隐私保护，有效隐藏身份特征同时保持真实感和功能性。