LocusGS：给前馈3D高斯泼溅的查询token装上空间锚点
LocusGS为每个高斯查询token引入显式3D锚点状态（中心+支撑半径），在解码过程中逐步细化并用于引导跨视图特征聚合与锚点中心化高斯生成，从而提升前馈3DGS的重建质量与空间组织性。
3DGS
G-Skin：用2D生成先验为3D高斯绑定骨骼
关键洞察在于：我们不需要3D蒙皮真值，因为2D视觉基础模型已经内化了丰富的运动先验。G-Skin的做法是，先微调一个骨骼可控的图像生成模型——给它参考图像、骨骼控制点和动态掩码，它就能合成出姿态变化后的引导图像。然后，用这些2D引导图像作为监督，去优化一个CNN蒙皮网络。整个过程不需要任何3D蒙皮数据集，2D生成先验就是我们的老师。
GLAM-SLAM：解耦架构如何突破3DGS长序列建图的内存瓶颈
现有3DGS SLAM在长序列户外场景中常因内存爆炸而崩溃。GLAM-SLAM通过解耦架构、光流稠密化和局部MLP空间分解，实现了实时、低内存、高保真的重建。本文解析其核心机制与实验证据，并指出其依赖ORB-SLAM2前端的潜在风险。
RealVDeblur：利用单步扩散与3DGS数据合成实现泛化现实视频去模糊
本文提出RealVDeblur框架，利用3D Gaussian Splatting (3DGS)合成大规模物理真实模糊数据，解决现实世界视频去模糊的泛化难题。通过Frame-wise VAE编码保留帧级模糊细节，利用Distribution Matching Distillation (DMD)将多步扩散蒸馏为单步生成器。引入无需训练的Temporal Window Mask (TWM)限制自注意力范围，消除RoPE外推不稳定性，实现恒定内存的长视频推理。在BSD、RealBlur等基准上验证了有效性，并展示了作为3DGS重建预处理步骤的提升作用。
AniGS：连接渲染与扩散先验的3D场景动画方法
本文介绍AniGS方法，旨在解决3D高斯溅射(3DGS)重建场景静态化的问题。通过迭代数据集-模型更新策略和ComposedV2V模块，利用视频扩散模型为大型户外场景添加自然的环境动态（如植被运动）。实验显示在DL3DV和自建数据集上，AniGS在FVD-LTX指标上显著优于Gaussians2Life和PhysDreamer，且多视角一致性良好。需注意该方法依赖高质量静态重建，且难以处理强延时效果。
E3DGS：通过颜色即几何嵌入实现3D高斯泼溅的统一几何-光度等变性
本文提出E3DGS，解决3D高斯泼溅中几何与光度变换规则异构的问题。通过将球谐函数系数映射至gl(3)矩阵载体，实现统一的SE(3)等变性。实验显示，在ModelNet10/40分类中，SE(3)鲁棒性准确率分别达94.79%和93.17%，远超基线；在RLBench机器人操作中成功率提升至50.4%。预训练参数量减少约59%。需注意，该方法在ℓ≥3高阶球谐函数及接触密集任务中仍有局限，且计算成本略高。
AsySplat：解耦几何与外观的高效长序列3D高斯泼溅
本文提出AsySplat，针对长序列3D Gaussian Splatting中的计算冗余问题，设计了非对称的几何与外观分支。几何分支使用粗粒度Token和稀疏注意力，外观分支使用细粒度Token。实验显示，在DL3DV-140和MipNeRF-360上，AsySplat在参数量减少30%的情况下，推理效率显著提升，且在新视角合成质量上优于基线模型LongLRM。