神经渲染的进展在重建场景和生成新视点方面取得了显着突破。然而，其有效性很大程度上取决于相机姿态的精确预计算。为了减少这个问题，许多努力已经被做出来，以无需预计算相机姿态来训练神经辐射场（NeRFs）。然而，NeRFs的隐式表示使得同时优化3D结构和相机姿态变得困难。
来自UC San Diego、NVIDIA和UC Berkeley的研究人员引入了COLMAP-Free 3D Gaussian Splatting（CF-3DGS），它增强了两个关键要素：从视频中的时间连续性和显式的点云表示。CF-3DGS不是一次优化所有帧，而是以连续的形式构建场景的3D高斯，随着摄像机的移动，逐个“增长”一个结构。CF-3DGS为每个帧提取一个局部3D高斯集，并维护整个场景的全局3D高斯集。
使用不同的3D场景表示来生成真实的图像，包括平面、网格、点云和多平面图像。由于其出色的逼真渲染能力，NeRFs（神经辐射场）在该领域中备受关注。3DGS（三维高斯喷溅）方法利用纯显式表示和差分点基喷溅方法实现对视图的实时渲染。
CF-3DGS合成未知相机参数的视图。它同时优化3D高斯喷溅（3DGS）和相机姿态。它使用局部3DGS方法从附近帧中估计相对相机姿态，使用全局3DGS过程从未观察到的视图中逐步扩展3D高斯。CF-3DGS利用显式的点云来表示场景，并利用视频流中的连续性。它按顺序处理输入帧，逐步扩展3D高斯以重建场景。这种方法实现了快速训练和推理速度。
CF-3DGS方法在姿态估计和新视图合成的稳健性方面优于先前最先进的方法。该方法在CO3D视频上进行验证，这些视频呈现了更复杂和具有挑战性的相机移动，并且在视图合成质量方面胜过了Nope-NeRF方法。该方法在CO3D V2数据集上的相机姿态估计的所有指标上一直超过Nope-NeRFe，表明它在估计相机姿态方面的稳健性和准确性，尤其是在具有复杂相机移动的场景中。
综上所述，CF-3DGS是一种有效且稳健的方法，利用视频的时间连续性和显式点云表示合成视图，无需进行结构运动（SfM）预处理。它同时优化相机姿态和3DGS，主要适用于视频流或有序图像集合。它还具有未来扩展的潜力，以适应无序图像集合。