3D Gaussian Splatting: Survey, Technologies, Challenges, and Opportunities

3D高斯喷洒（3DGS）已成为一种具有潜力成为3D表示主流方法的突出技术。它可以通过有效的训练，将多视图图像转换为明确的3D高斯表示，并实现新视图的实时渲染。本文旨在从多个交叉的角度分析现有的与3DGS相关的工作，包括相关任务、技术、挑战和机遇。主要目标是为新手提供快速了解该领域的方法，并协助研究人员有条理地组织现有技术和挑战。具体而言，我们深入探讨了3DGS的优化、应用和扩展，并根据其重点或动机进行分类。此外，我们总结和分类了现有作品中识别出的九种技术模块和相应的改进。基于这些分析，我们进一步研究了各种任务中的共同挑战和技术，并提出了潜在的研究机会。

论文旨在通过3D高斯喷洒技术（3DGS）解决多视图图像转换成3D表示的问题，并实现实时渲染新视图。同时，对该技术的优化、应用和扩展进行分析。

论文的关键思路是通过3D高斯喷洒技术将多视图图像转换成3D表示，并实现实时渲染新视图。相比当前领域的研究，该技术具有高效性和实时性。

论文对现有的3DGS相关工作进行了分析，总结和分类了9种技术模块和相应的改进。实验使用了多个数据集，并提供了开源代码。研究者提出了一些潜在的研究机会。

最近的相关研究包括：《3D convolutional neural networks for efficient and robust hand pose estimation from single depth images》、《Real-time 3D reconstruction with deep learning on commodity devices using single-view images》等。