长期以来，如何仅凭单张图像高效生成高质量、广阔视角的3D场景一直是研究人员面临的挑战。传统方法往往依赖多视角数据，或需要耗时的逐场景优化，并且在背景质量和未见区域的重建上存在不足。现有技术在处理单视图3D场景生成时，常因信息不足而导致遮挡区域的错误或扭曲，背景模糊，以及难以推断未见区域的几何结构。而基于回归的模型虽然可以前馈方式进行新视角合成，但它们在处理复杂场景时面临巨大的内存和计算压力，因此大多局限于物体级别的生成或窄视角场景。为了

在虚拟现实和流媒体领域，英伟达携手马里兰大学带来了一项突破性进展。这个被命名为QUEEN的AI模型，不仅能让观众在体育赛事中随心所欲地切换观赛视角，更能将每帧3D场景压缩至仅0.7MB大小，同时保持惊人的350帧每秒渲染速度。

伊利诺伊理工学院、浙江大学、中佛罗里达大学以及伊利诺伊大学芝加哥分校的研究团队近日联合发布了全新的3D场景大语言模型Robin3D。该模型在包含一百万条指令遵循数据的大规模数据集上进行训练，并在五个常用的3D多模态学习基准测试中均取得了当前最佳的性能表现，标志着在构建通用3D智能体方向上的重大进步。Robin3D的成功得益于其创新的数据引擎RIG （Robust Instruction Generation）。RIG引擎旨在生成对抗性指令遵循数据和多样化指令遵循数据两种关键指令数据。对抗性指令遵循数据通

最近，清华大学和哈佛大学的学霸们，就捣鼓出了这样一项黑科技——LangSplat。它通过三维高斯泼溅技术，让文字在三维空间中"活"起来，实现对真实世界的开放文本查询。