深度分析
以液態神經網路與 CfC 連續時間變形場強化 3D Gaussian Splatting 動態場景重建
本研究針對單鏡頭動態3D重建，提出以液態神經網路（LNN）實作的連續時間變形場，取代傳統逐格MLP。透過Closed-form Continuous-time（CfC）單元加入時間門控，使變形隨時間平滑且無需數值求解。實驗在八個合成與七個實景資料上，精度與效能均超過原基線，在高頻關節運動上提升顯著。
3D Gaussian Splatting
速報
ArtSplat：首個即時化有關節物件3D Gaussian Splatting重建框架
稀疏視角下有關節物件重建需同時推斷幾何與關節結構。ArtSplat提出首個feed‑forward3DGaussianSplatting方法，採用每像素關節地圖與跨狀態注意力整合多個姿態影像，單次前向回推幾何與關節參數；在PartNet-Mobility上展現競爭性表現且速度超過四百倍。
3D Gaussian Splatting
GETA-3DGS：自動化結構化剪枝與混合精度量化以壓縮 3D Gaussian Splatting
3DGaussianSplatting佔用大量儲存空間，研究提出GETA-3DGS以自動化聯合結構剪枝與混合精度量化，並引入渲染感知重要度與屬性分層量化策略。實驗於多項資料集顯示可約五倍壓縮且維持高品質。論文指出位元寬度分配為主導因子，異質化配置優於統一6位上限。
深度分析
ConsDreamer：透過VDM與相似性序關係損失校正T2I先驗於3D Gaussian Splatting的視角偏差
面對文字到3D生成中常見的多面Janus視角不一致問題，ConsDreamer提出視角解耦模組與相似性序關係損失，分別在條件和無條件項上抑制T2I先驗的視角偏好，並以方位相似度約束跨視圖一致性。實驗顯示方法能改善視角語義清晰度並提升生成一致性與視覺品質。