长序列三维重建的融合瓶颈被绕开：CrossPressor免训练把256视角跨视图融合从125毫秒压到4.8毫秒
前馈三维高斯泼溅在视角数增长时，锚点式压缩虽固定了解码端表示，却让支撑视图到锚点的融合计算随视角数膨胀。CrossPressor不改动已训练检查点，在K/V投影前按覆盖循环路由支撑特征，把保留的空间证据分散到各支撑视图与融合层。在256视角下，它只保留1.85%的稠密QK交互，跨视图延迟从125.28毫秒降到4.80毫秒，渲染质量接近稠密融合。
高斯泼溅不再经过光栅化器：GaussianRenderFormer直接出图，未见物体38.08 dB
GaussianRenderFormer把3D高斯泼溅的成像从手写光栅化器换成Transformer：每个高斯一个token，视角相关解码器按相机光线小块出像素。在26,820个Objaverse物体上训练后，300个未见物体上对完整泼溅渲染达38.08 dB PSNR，而直接光栅化同一份剪枝输入为44.02 dB；诊断指向视角解码器瓶颈，但训练不足未被排除。
一张正面照片重建三维植株：Plant Orbiter 用视频扩散绕植物转一圈，株高误差均值5.9%
植物三维数字化通常要几十到上百张标定照片，或依赖昂贵的激光扫描与机械臂拍摄，单图生成方法又难以把重建结果对齐回原图。Plant Orbiter 用视频扩散模型从一张正面照片合成一段绕植物旋转的轨道视频，再以已知相机路径直接拟合三维高斯泼溅，省去用运动恢复结构求相机位姿这一步。在 PlantDreamer、Botany-Bot 与 PLANesT 等数据集上，其三维 F-score 在全部测试数据集上领先对比方法，单图输入对齐下的 IoU 在 PlantDreamer 与 Botany-Bot 上分别为 0.552 和 0.556；在 GrowSplat 时序数据上测株高，平均绝对百分比误差为 5.9%。
已训练好的高斯泼溅场景不再只能重训压缩：事后熵编码把13个场景平均压到6.0倍，画质只差0.03 dB
基于锚点的高斯泼溅场景训练后体积仍大到难以装进手机和头显，而已有的事后转换方法压缩比很早就饱和。这套方案把训练好的模型当作只读文件，为每个场景单独拟合一个带逐通道拉普拉斯分布的哈希网格熵上下文，再按莫顿顺序编码成可渐进解码的比特流。在三个基准的13个场景上，事后模式平均压缩6.0倍、画质变化−0.03 dB，且无需改动即可用于第三方检查点。
世界模型不再随视频变长而膨胀：L3G-World用潜空间3D高斯记忆，单张H100跑到9.02 FPS
交互式世界模型长期受困于记忆随生成时长线性增长：时间上下文会耗尽显存，显式3D记忆则因逐帧累积冗余基元而变慢。L3G-World把场景记忆改为紧凑的潜空间3D高斯，只在新观测区域生成新高斯、对已有高斯做残差修正，并让每个高斯直接存VAE潜特征，从而把记忆渲染进扩散Transformer的潜空间而无需重新编码。在DL3DV与RealEstate10K的481帧闭环轨迹上，完整版L3G-World的PSNR为16.00与18.36，配合少步蒸馏后在单张H100上达到9.02 FPS。
3D高斯泼溅研究不再靠人写代码：SplatLab从一行提示跑到成稿，每篇都超过复现基线
SplatLab把3D高斯泼溅（3DGS）的科研循环交给36个智能体：先复现已发表基线，再在已验证插件上做变异、训练、消融并写成稿件，每个数字都绑定一次有日志的GPU训练。在Mip-NeRF 360与LLFF上，它生成的稿件在PSNR上均超过各自复现的目标；在无既有3DGS方法的星云渲染上，Nebula3DGS-v2把PSNR从3DGS基线的32.58 dB提到36.36 dB。
自动驾驶规划器补上缺失的未来画面：沿候选轨迹渲染，NAVSIM v1 从 86.2 升到 91.3
自动驾驶世界行动模型在强化学习后训练时会探索日志里没有的候选轨迹，但驾驶日志只记录实际行驶轨迹的未来视频，这些候选因此缺少匹配的视觉监督。SimVTA 用基于 3D 高斯泼溅重建真实场景的模拟器，沿候选轨迹渲染未来视频作为与预测无关的目标，并按轨迹奖励和视频预测误差挑选高奖励、高误差的未来帧做流匹配监督，同时用 GRPO 优化轨迹。在 NAVSIM v1 上，它把 Epona 初始化的 PDMS 从 86.2 提升到 91.3，NAVSIM v2 上 EPDMS 从 85.0 升到 88.2，HUGSIM 闭环平均 HD-Score 为 38.8。
建筑巡检不再只看照片：高斯中心对齐物理表面，高度测量误差降到0.33%
建筑巡检用的三维高斯重建不再只求画面逼真：加入区域与逐点深度监督后，高斯中心被拉向真实表面，在合成无人机与手机拍摄两套数据上深度误差下降58.1%和86.8%，高度测量平均相对误差为0.33%。
RDGSplat 在冻结 3D 基础模型上解码渲染专用几何，将 WM2.0 的 RE10K PSNR 从 20.918 提升到 24.266 dB 且度量预测不变
RDGSplat 提出一种双次评估框架：在冻结的 3D 基础模型上，通过复制预训练解码器并在纯光度监督下优化，同时用目标位姿条件适配器改写解码器读取的表示，从而解码出一套专用于渲染的几何，而模型的度量预测保持不变。在 RE10K、ACID、DL3DV 和 DTU 四个基准上，该方法在三个前馈骨干上均提升新视角合成质量，其中 WM2.0 在 RE10K 上从 20.918 提升到 24.266 dB，仅新增 205.5 M 可训练参数，且深度与位姿预测逐位一致。
VolS-GS 用高斯占据域上的可微有限体积求解实现体积次表面散射，在三个 OLAT 基准上提升重光照质量
VolS-GS 把高斯场景的空间支撑转成粗网格上的占据场，在其上做可微有限体积光传输求解，由小型网络为每个高斯预测散射与吸收系数，从而让光穿过物体内部；在三个 OLAT 基准上，该方法在留出光照与视角下的重光照质量一致优于 GS3、SSS-GS、RNG 与 SSD-GS。