Noticias sobre 3D Gaussian Splatting

Este estudio extiende el campo de deformación de las salpicaduras dinámicas gaussianas 3D desde una unidad CfC determinista a una versión SDE que agrega términos de ruido. Se inyectan perturbaciones gaussianas durante el entrenamiento para conservar la robustez estocástica de la red neuronal líquida, y el costo de inferencia permanece sin cambios. En comparación con la solución de forma cerrada puramente determinista anterior, esto compensa los términos aleatorios descartados, haciendo que el modelado de tiempo continuo se acerque más al diseño original de la red líquida.

ReconSplat es un modelo de reconstrucción de escenas 3D de avance que utiliza salpicaduras gaussianas 3D como representación intermedia, combinado con un modelo de difusión latente de múltiples vistas, que actúa como refinador y reparador, y utiliza características latentes 3D variacionales para guiar el proceso de difusión y mejorar la consistencia geométrica. En comparación con los métodos de reconstrucción anteriores que tienen una compensación entre la generación de regiones no observadas y la consistencia geométrica, su objetivo es producir simultáneamente nuevas vistas alineadas geométricamente y estimaciones de profundidad nítidas.

FractureFields propone un método de transmisión con reconocimiento de contacto que construye campos de masa/momento independientes para cada fragmento y los avanza por separado para resolver el problema de la fuga de impulso entre fragmentos causada por la tubería del Método Gaussiano-Material Point (Gaussia-MPM) que todavía utiliza un único campo de velocidad de Euler después de la fractura. En comparación con el campo de cuadrícula única anterior, este método completa la construcción de campos separados en un solo P2G, eliminando la adhesión residual y el estiramiento no físico. Esto significa que la simulación gaussiana 3D físicamente integrada puede lograr una mejora de la precisión dinámica adaptativa topológica en escenarios de fractura. Sin embargo, el artículo es una preimpresión de arXiv y aún no hay datos de evaluación pública.