論文の概要: ReFlow: Self-correction Motion Learning for Dynamic Scene Reconstruction
- arxiv url: http://arxiv.org/abs/2604.01561v1
- Date: Thu, 02 Apr 2026 03:14:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.204433
- Title: ReFlow: Self-correction Motion Learning for Dynamic Scene Reconstruction
- Title（参考訳）: ReFlow:動的シーン再構築のための自己補正動作学習
- Authors: Yanzhe Liang, Ruijie Zhu, Hanzhi Chang, Zhuoyuan Li, Jiahao Lu, Tianzhu Zhang,
- Abstract要約: ReFlowはモノクルな動的シーン再構築のための統一されたフレームワークである。
生のビデオから新しい方法で3Dモーションを学習する。
- 参考スコア（独自算出の注目度）: 37.05324860060443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present ReFlow, a unified framework for monocular dynamic scene reconstruction that learns 3D motion in a novel self-correction manner from raw video. Existing methods often suffer from incomplete scene initialization for dynamic regions, leading to unstable reconstruction and motion estimation, which often resorts to external dense motion guidance such as pre-computed optical flow to further stabilize and constrain the reconstruction of dynamic components. However, this introduces additional complexity and potential error propagation. To address these issues, ReFlow integrates a Complete Canonical Space Construction module for enhanced initialization of both static and dynamic regions, and a Separation-Based Dynamic Scene Modeling module that decouples static and dynamic components for targeted motion supervision. The core of ReFlow is a novel self-correction flow matching mechanism, consisting of Full Flow Matching to align 3D scene flow with time-varying 2D observations, and Camera Flow Matching to enforce multi-view consistency for static objects. Together, these modules enable robust and accurate dynamic scene reconstruction. Extensive experiments across diverse scenarios demonstrate that ReFlow achieves superior reconstruction quality and robustness, establishing a novel self-correction paradigm for monocular 4D reconstruction.
- Abstract（参考訳）: 本稿では,モノラルな動的シーン再構築のための統合フレームワークReFlowについて紹介する。
既存の手法では、動的領域に対する不完全なシーン初期化に悩まされることが多く、不安定な再構成と運動推定に繋がる。
しかし、これはさらなる複雑さと潜在的なエラーの伝播をもたらす。
これらの問題に対処するため、ReFlowは、静的領域と動的領域の両方の初期化を強化するためのComplete Canonical Space Constructionモジュールと、ターゲットとなるモーションインスペクションのために静的コンポーネントと動的コンポーネントを分離する分離ベースのDynamic Scene Modelingモジュールを統合する。
ReFlowの中核となるのは、フルフローマッチング(Full Flow Matching)による3次元シーンフローと時間変化の2次元観察を一致させる)と、静的オブジェクトのマルチビュー一貫性を強制するカメラフローマッチング(Camera Flow Matching)からなる、新しい自己補正フローマッチング機構である。
これらのモジュールは、堅牢で正確な動的シーン再構築を可能にする。
多様なシナリオにわたる大規模な実験により、ReFlowはより優れた再構築品質とロバスト性を実現し、モノクル4D再構成のための新しい自己補正パラダイムを確立した。
関連論文リスト
- Static Scene Reconstruction from Dynamic Egocentric Videos [0.08594140167290099]
エゴセントリックビデオは、迅速なカメラの動きと頻繁なダイナミックな相互作用による3D再構成のユニークな課題を示す。
静的な復元バックボーンを長めのエゴセントリックなビデオに適応させる頑健なパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-23T18:19:46Z) - Flow4R: Unifying 4D Reconstruction and Tracking with Scene Flow [61.297800738187355]
Flow4Rは、Vision Transformerを用いて、画素当たりのプロパティセット3Dポイント位置、シーンフロー、ポーズウェイト、および2ビュー入力からの信頼度を最小限に予測する。
静的データセットと動的データセットを併用してトレーニングされたFlow4Rは、4D再構築とトラッキングタスクにおける最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-15T06:58:08Z) - MOSAIC-GS: Monocular Scene Reconstruction via Advanced Initialization for Complex Dynamic Environments [12.796165448365949]
MOSAIC-GSはモノクロビデオから高忠実度ダイナミックシーンを再構築するための、新しく、完全に明示的で、計算的に効率的なアプローチである。
我々は,深度,光学的流れ,動的物体セグメンテーション,点追跡など,複数の幾何学的手法を活用する。
我々は,MOSAIC-GSが既存の手法に比べて大幅に高速な最適化とレンダリングを実現することを実証した。
論文 参考訳（メタデータ） (2026-01-08T20:48:24Z) - MUT3R: Motion-aware Updating Transformer for Dynamic 3D Reconstruction [24.474529522394405]
MUT3Rは,注意由来の動作キューを適用して,推論中の動的コンテンツを抑制する学習自由フレームワークである。
我々はモデルを再訓練したり微調整したりせず、事前訓練されたトランスフォーマーが自身の動きの手がかりを診断し、修正する。
論文 参考訳（メタデータ） (2025-12-03T16:36:53Z) - MoAngelo: Motion-Aware Neural Surface Reconstruction for Dynamic Scenes [9.504709780252979]
本稿では,静的3次元再構成手法であるNeuralAngeloを拡張した,高精細な動的再構成のための新しいフレームワークを提案する。
本稿では,ActorsHQデータセットにおける従来の最先端手法と比較して,再構築精度が優れていることを示す。
論文 参考訳（メタデータ） (2025-09-19T11:43:01Z) - DynaSplat: Dynamic-Static Gaussian Splatting with Hierarchical Motion Decomposition for Scene Reconstruction [9.391616497099422]
我々は,ガウススプラッティングをダイナミックなシーンに拡張するアプローチであるDynaSplatを提案する。
我々は、変形オフセット統計と2次元運動流の整合性の融合により、シーン要素を静的または動的に分類する。
次に、粗い大域変換ときめ細かい局所運動の両方を捉える階層的な動きモデリング戦略を導入する。
論文 参考訳（メタデータ） (2025-06-11T15:13:35Z) - Back on Track: Bundle Adjustment for Dynamic Scene Reconstruction [86.099855111676]
従来のSLAMシステムは、カジュアルなビデオでよく見られる非常にダイナミックなシーンと格闘する。
この研究は3Dポイントトラッカーを利用して、カメラによる動的物体の動きからカメラによる動きを分離する。
私たちのフレームワークは、従来のSLAM -- バンドル調整 -- の中核を、堅牢な学習ベースの3Dトラッカーフロントエンドと組み合わせています。
論文 参考訳（メタデータ） (2025-04-20T07:29:42Z) - Event-boosted Deformable 3D Gaussians for Dynamic Scene Reconstruction [50.873820265165975]
本稿では,高時間分解能連続運動データと動的シーン再構成のための変形可能な3D-GSを併用したイベントカメラについて紹介する。
本稿では、3次元再構成としきい値モデリングの両方を大幅に改善する相互強化プロセスを作成するGS-Thresholdジョイントモデリング戦略を提案する。
提案手法は,合成および実世界の動的シーンを用いた最初のイベント包摂型4Dベンチマークであり,その上で最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-11-25T08:23:38Z) - SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。
我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
論文 参考訳（メタデータ） (2024-06-19T23:53:31Z) - SceNeRFlow: Time-Consistent Reconstruction of General Dynamic Scenes [75.9110646062442]
我々はSceNeRFlowを提案し、時間的一貫性のある方法で一般的な非剛体シーンを再構築する。
提案手法は,カメラパラメータを入力として,静止カメラからのマルチビューRGBビデオと背景画像を取得する。
実験により,小規模動作のみを扱う先行作業とは異なり,スタジオスケール動作の再構築が可能であることが示された。
論文 参考訳（メタデータ） (2023-08-16T09:50:35Z)
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。