主要观点总结
该文章主要介绍了「3DCV」公众号及其推荐内容，包括关注公众号的方式、近期发表的论文和相关的技术细节等。
关键观点总结
关键观点1: 关注公众号的方式及内容推荐。
用户可以通过扫描二维码或添加小助理cv3d001并备注相关信息来关注「3DCV」公众号。公众号主要分享关于3D视觉的干货内容，包括最新论文、视频课程、行业细分群等。
关键观点2: 关于清华大学近期工作DiffGS的介绍。
DiffGS是一种三维高斯生成模型，能够实现原生的三维高斯生成，无需对高斯数据进行预处理操作。它支持图生3DGS、文生3DGS、三维高斯补全、点云到3DGS的生成等任务。该模型包括一个Gaussian VAE和一个Gaussian LDM，同时引入了各种condition，如文本、图像和残缺高斯，实现可控的三维生成。其高斯提取算法基于Octree优化式设计，能够从生成的高斯函数中提取出最终的高斯模型。
关键观点3: 下游应用的可能性。
DiffGS可以实现多个下游应用任务，如无条件三维高斯生成、文本驱动的三维高斯生成、图像驱动的三维高斯生成、高斯补全以及点云生成三维高斯等。
文章预览
点击下方 卡片 ，关注 「3DCV」 公众号 选择 星标 ，干货第一时间送达 来源：3DCV 添加小助理：cv3d001，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群。 扫描下方二维码，加入 「3D视觉从入门到精通」知识星球 ( 点开有惊喜 ) ，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料： 近20门独家秘制视频课程 、 最新顶会论文 、计算机视觉书籍 、 优质3D视觉算法源码 等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！ 清华大学近期的工作：DiffGS: Functional 3D Gaussian Splatting Diffusion 被接收于 NeurIPS 2024。在本文中，作者第一次实现了原生的三维高斯生成式模型，无需对高斯数据进行体素化等预处理操作，并可以生成任意数量的3DGS。DiffGS同时是第一个通用三维高斯生成模型，支持图生3DGS、文生3DGS、三维高斯补全、点云到3DGS
………………………………
