#场景分解

S3Gaussian

S3Gaussian使用3D高斯模型进行自监督动态街景解析，增强了自动驾驶的场景分解和渲染效果。该项目采用多分辨率hexplane编码器和多头高斯解码器，将4D网格编码为特征平面，并解码为4D高斯模型。无需额外注释即可优化模型。最新代码和评估已发布，详细介绍了环境配置、数据准备、训练和可视化过程。

SparseTrack

SparseTrack提出了一种新的多目标跟踪方法，通过伪深度估计和深度级联匹配策略来分解密集场景。这种方法在MOT17和MOT20基准测试中表现出色，仅使用IoU匹配就达到了与复杂算法相当的性能。SparseTrack为解决拥挤场景中的多目标跟踪问题提供了新的思路，展示了简单方法在复杂任务中的潜力。

vid2avatar

Vid2Avatar是一个开源项目，采用自监督场景分解方法从未处理的野外视频中重建3D人物模型。该方法无需额外监督，通过分离人物和背景实现精确建模。项目包含完整代码、预处理数据集和使用说明，适用于复杂场景的人物建模。