20251015周三日记

今日：
1.早上去出版社买了新通信原理，真贵，去上工程伦理，事真多。
2.中午去课题组放东西吃饭，看到同学和张老师聊，挺不容易的；回来看了看守望先锋更新还挺有意思，下午准备邮寄、办卡、读综述、帮师姐改图。

*3DGS on Reconstruction：
1.三维重建的发展：SfM —— MVS —— NeRF —— 3DGS

NeRF阶段：
提高渲染效率、优化稀疏角合成、增强渲染质量、优化动态场景等
①提升渲染质量：优化模型训练过程，改进网络架构，细化特征表示，增强光照模型。
②提升渲染效率：优化数据结构，减少冗余存储，递归渲染方法，模型压缩，自适应采样。
③稀疏视图合成。
④动态场景优化：较高的自适应性和实时渲染能力。

3DGS阶段：实时渲染。过程包括高斯初始化、稠密化、投影和微栅格化。
增强实时渲染质量、优化稀疏视图数据重建、改善渲染细节、处理动态场景变化等
①提升渲染质量：多尺度多层次策略，优化高斯分布和其参数设置。
②提升渲染效率：优化存储策略以减少内存占用（EAGLES、LightGaussian），提高模型训练和渲染速度以提升性能。

③稀疏视图合成：结合深度估计模型或深度先验，结合其他先验。
④动态场景重建（将动态场景表示为3D高斯集合或动态3D高斯粒子，利用高斯模型来捕获和表示场景中的运动细节）：动态场景语义理解，低延迟高频率更新，4DGS

In recent years, 3DGS technology has made groundbreaking progress in several cutting-edge fields, particularly in autonomous driving, large-scale scene reconstruction, Simultaneous Localization and Mapping (SLAM) technologies, and 3D editing.
领域：自动驾驶，大场景重建，同步定位与建图（SLAM），3D编辑
局限：大规模场景中高斯球占用较高的storage和memory，依据于初始SfM计算精度

发展方向：增强三维重建技术的鲁棒性，降低计算复杂度，扩展其适用性，以应对动态场景、快速反馈和计算效率
①输入数据质量和数量的高要求，以及对SfM等特定技术的严重依赖：使用多模态数据融合来获得高质量的初始数据，以提高重建的鲁棒性和泛化性，并减少对外部工具的依赖。
②降低计算复杂度和提高处理速度：探索更高效的网络结构和算法。
③提升泛化能力：结合应用场景
④学科融合：深度学习、计算机视觉、传感器技术等，例如结合diffusion生成、结合多视角深度估计提高遮挡等