173-B2｜3DGS大型数据集用于自监督预训练，部件感知3D重建；稀疏嘈杂视图重建，丰富表情全身高...

主要观点总结

本文介绍了四个关于3D理解、3D重建的技术研究，包括ShapeSplat数据集、混合表示方法、NeRF优化技术以及全身虚拟角色模型DEGAS。这些研究通过不同的技术手段，实现了对3D对象更深入的理解和更真实的重建。

关键观点总结

关键观点1: ShapeSplat数据集

介绍了一种大规模3D数据集ShapeSplat，专注于3D高斯溅射技术的自监督预训练研究。该数据集包含来自87个独特类别的65,000个对象，其标签与常用的数据集ShapeNet和ModelNet一致。为了充分利用该数据集，研究团队提出了高斯掩码自编码器的方法，这是一种自监督学习策略。

关键观点2: 混合表示方法

提出了一种新的混合表示方法，将超椭球体和二维高斯相结合，实现三维场景的部件感知重建。该方法通过从多视图图像中解析对象或场景，获取更准确的结构化几何重建和高质量渲染。实验结果表明，所提出的方法优于现有技术，能更有效地进行部分分解和几何建模。

关键观点3: NeRF优化技术

介绍了一种神经辐射场优化技术TrackNeRF，旨在解决稀疏和嘈杂视图下的三维重建任务。它通过强制实现特征轨迹间的重投影一致性，促进了整体三维一致性的建立，达到了更好的几何重建效果和准确的姿态优化。

关键观点4: 全身虚拟角色模型DEGAS

提出了一种创建具有丰富面部表情的全身虚拟人像的方法。该研究使用了一种基于三维高斯点云的建模方法，通过训练条件变分自编码器，有效地生成表达丰富且自然的全身虚拟角色。该方法利用多视角视频信息，利用体态与面部表情作为驱动信号，确保所生成的虚拟人像在渲染时展现出真实的细节和准确性。

关键观点5: 基于扩散模型的三维点云压缩Diff-PCC

提出了一种新型的基于扩散模型的三维点云压缩方法Diff-PCC。该方法利用扩散网络的强大表达能力，在压缩过程中实现了优秀的点云重构效果。与传统的自编码器方法不同，Diff-PCC采用了双空间潜在表示结构，通过两个独立的编码骨干提取不同潜在空间的形状特征，实现了高质量的点云重构。