論文の概要: TagSplat: Topology-Aware Gaussian Splatting for Dynamic Mesh Modeling and Tracking
- arxiv url: http://arxiv.org/abs/2512.01329v1
- Date: Mon, 01 Dec 2025 06:41:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 19:46:34.718272
- Title: TagSplat: Topology-Aware Gaussian Splatting for Dynamic Mesh Modeling and Tracking
- Title（参考訳）: TagSplat: 動的メッシュモデリングと追跡のためのトポロジー対応ガウススプレイティング
- Authors: Hanzhi Guo, Dongdong Weng, Mo Su, Yixiao Chen, Xiaonuo Dongye, Chenyu Xu,
- Abstract要約: トポロジに一貫性のある動的モデルのシーケンスは、アニメーションやモデル編集のようなアプリケーションには不可欠である。
ガウススプラッティングに基づくトポロジ対応動的再構成フレームワークを提案する。
実験の結果,提案手法はトポロジに一貫性のあるメッシュ列を既存手法よりも高精度に再構成することを示した。
- 参考スコア（独自算出の注目度）: 5.617341252682462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topology-consistent dynamic model sequences are essential for applications such as animation and model editing. However, existing 4D reconstruction methods face challenges in generating high-quality topology-consistent meshes. To address this, we propose a topology-aware dynamic reconstruction framework based on Gaussian Splatting. We introduce a Gaussian topological structure that explicitly encodes spatial connectivity. This structure enables topology-aware densification and pruning, preserving the manifold consistency of the Gaussian representation. Temporal regularization terms further ensure topological coherence over time, while differentiable mesh rasterization improves mesh quality. Experimental results demonstrate that our method reconstructs topology-consistent mesh sequences with significantly higher accuracy than existing approaches. Moreover, the resulting meshes enable precise 3D keypoint tracking. Project page: https://haza628.github.io/tagSplat/
- Abstract（参考訳）: トポロジに一貫性のある動的モデルのシーケンスは、アニメーションやモデル編集のようなアプリケーションには不可欠である。
しかし、既存の4次元再構成手法は、高品質なトポロジ一貫性メッシュを生成する上での課題に直面している。
そこで本稿では,ガウススティングに基づくトポロジ対応動的再構成フレームワークを提案する。
空間接続を明示的に符号化するガウス位相構造を導入する。
この構造は位相対応の密度化とプルーニングを可能にし、ガウス表現の多様体の整合性を保存する。
時間的正規化用語は、時間とともにトポロジ的コヒーレンスをさらに保証し、差別化可能なメッシュラスタ化はメッシュの品質を改善する。
実験の結果,提案手法はトポロジに一貫性のあるメッシュ列を既存手法よりも高精度に再構成することを示した。
さらに、結果のメッシュは正確な3Dキーポイントトラッキングを可能にする。
プロジェクトページ: https://haza628.github.io/tagSplat/
関連論文リスト
- GaussianMorphing: Mesh-Guided 3D Gaussians for Semantic-Aware Object Morphing [31.47036497656664]
マルチビュー画像から意味認識型3次元形状とテクスチャ形成のための新しいフレームワークを提案する。
私たちのフレームワークの中核は、3DGaussianをメッシュパッチの再構築にアンカーする統一的な変形戦略です。
提案したTexMorphベンチマークでは,GaussianMorphingは従来の2D/3D法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-10-02T14:07:55Z) - Laplacian Analysis Meets Dynamics Modelling: Gaussian Splatting for 4D Reconstruction [9.911802466255653]
本稿では,ハイブリッドな明示的関数を持つ動的3DGSフレームワークを提案する。
本手法は, 複雑な動的シーンを再構築する際の最先端性能を実証し, 再現精度を向上する。
論文 参考訳（メタデータ） (2025-08-07T01:39:29Z) - GauSTAR: Gaussian Surface Tracking and Reconstruction [9.017056233547084]
GauSTARは、写真リアルなレンダリング、正確な表面再構成、信頼性の高い3Dトラッキングを実現する新しい手法である。
本手法は動的表面を効果的に追跡・再構成し,様々な応用を可能にする。
論文 参考訳（メタデータ） (2025-01-17T16:26:24Z) - Dynamic Gaussians Mesh: Consistent Mesh Reconstruction from Dynamic Scenes [27.531394287148384]
動的入力から高忠実かつ時間一貫性のあるメッシュを再構築するフレームワークであるDynamic Gaussians Mesh (DG-Mesh)を紹介した。
我々の研究は、3次元ガウス散乱の最近の進歩を活用し、動的観測から時間的一貫性を持つメッシュ配列を構築する。
メッシュガイドによる密度化と変形したガウスへのプルーニングによるメッシュ再構築を実現するため,均等に分散したガウスアンを奨励するガウス・メシュアンチョリングを導入する。
論文 参考訳（メタデータ） (2024-04-18T17:58:16Z) - Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。
我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。
提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
論文 参考訳（メタデータ） (2024-02-07T12:36:54Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳（メタデータ） (2022-06-10T08:32:57Z) - Temporally-Consistent Surface Reconstruction using Metrically-Consistent
Atlases [131.50372468579067]
そこで本稿では,時間変化点雲列から時間一貫性のある面列を復元する手法を提案する。
我々は、再構成された表面をニューラルネットワークによって計算されたアトラスとして表現し、フレーム間の対応性を確立することができる。
当社のアプローチは、いくつかの挑戦的なデータセットにおいて、最先端のものよりも優れています。
論文 参考訳（メタデータ） (2021-11-12T17:48:25Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2020-06-15T09:15:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。