論文の概要: GP-4DGS: Probabilistic 4D Gaussian Splatting from Monocular Video via Variational Gaussian Processes

• arxiv url: http://arxiv.org/abs/2604.02915v1
• Date: Fri, 03 Apr 2026 09:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.431964
• Title: GP-4DGS: Probabilistic 4D Gaussian Splatting from Monocular Video via Variational Gaussian Processes
• Title（参考訳）: GP-4DGS:変分ガウス過程による単眼映像からの確率的4次元ガウス散乱
• Authors: Mijeong Kim, Jungtaek Kim, Bohyung Han,
• Abstract要約: 本稿では,動的シーンの原理的確率論的モデリングのために,ガウス(GP)を4次元ガウススティング(4DGS)に統合する新しいフレームワークであるGP-4DGSを提案する。 GPのカーネルベースの確率的性質を活用することにより, (i) 運動予測の不確実性, (ii) 観測されたトレーニングフレームを超越した時間外挿, (ii) 観測されたサンプル領域の運動推定という3つの重要な特徴を導入した。 実験の結果,GP-4DGSは高い動きのあいまいさの領域を効果的に識別する信頼性の高い不確実性評価を提供しながら,再現性の向上を図っている。
• 参考スコア（独自算出の注目度）: 44.85944829104361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present GP-4DGS, a novel framework that integrates Gaussian Processes (GPs) into 4D Gaussian Splatting (4DGS) for principled probabilistic modeling of dynamic scenes. While existing 4DGS methods focus on deterministic reconstruction, they are inherently limited in capturing motion ambiguity and lack mechanisms to assess prediction reliability. By leveraging the kernel-based probabilistic nature of GPs, our approach introduces three key capabilities: (i) uncertainty quantification for motion predictions, (ii) motion estimation for unobserved or sparsely sampled regions, and (iii) temporal extrapolation beyond observed training frames. To scale GPs to the large number of Gaussian primitives in 4DGS, we design spatio-temporal kernels that capture the correlation structure of deformation fields and adopt variational Gaussian Processes with inducing points for tractable inference. Our experiments show that GP-4DGS enhances reconstruction quality while providing reliable uncertainty estimates that effectively identify regions of high motion ambiguity. By addressing these challenges, our work takes a meaningful step toward bridging probabilistic modeling and neural graphics.
• Abstract（参考訳）: 本稿では,動的シーンの原理的確率論的モデリングのために,ガウス過程(GP)を4次元ガウススプラッティング(4DGS)に統合する新しいフレームワークであるGP-4DGSを提案する。 既存の4DGS法は決定論的再構成に重点を置いているが、それらは本質的には動きのあいまいさを捉え、予測信頼性を評価するメカニズムを欠いている。 GPのカーネルベースの確率的性質を活用することで、我々のアプローチは3つの重要な機能を導入している。 (i)運動予測の不確実性定量化 二 未観測領域又は疎サンプル領域の運動推定、及び 三 観察された訓練枠を超える時間外挿 4DGSにおいてGPを多数のガウス原始体に拡張するために、変形場の相関構造を捉える時空間カーネルを設計し、抽出可能な推論のための点を誘導する変分ガウス過程を採用する。 実験の結果,GP-4DGSは高い動きのあいまいさの領域を効果的に識別する信頼性の高い不確実性評価を提供しながら,再現性の向上を図っている。 これらの課題に対処することで、我々の研究は確率的モデリングとニューラルグラフィックのブリッジ化に向けて有意義な一歩を踏み出した。

関連論文リスト

• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• SEEK: Self-adaptive Explainable Kernel For Nonstationary Gaussian Processes [0.0]
  ガウス過程を通じて複雑な非定常関数をモデル化するための学習可能なカーネルのクラスであるSEEKを紹介する。 人工ニューロンにインスパイアされたSEEKは、対称性と正の半定性を保証するための第一原理から導かれる。 我々は,本手法が設計選択の多くに対して堅牢であるだけでなく,予測精度と不確かさの両面で既存の定常・非定常カーネルよりも優れていることを示すため,包括的感度解析と比較研究を実施している。
  論文  参考訳（メタデータ） (2025-03-18T23:30:02Z)
• 4D Gaussian Splatting in the Wild with Uncertainty-Aware Regularization [43.81271239333774]
  そこで本研究では,カジュアルに記録されたモノクロビデオから動的シーンを動的に撮影する4DGSアルゴリズムを提案する。 提案手法は,ハンドヘルドモノクラーカメラで撮影した映像から4DGS再構成の性能を向上することを示す。
  論文  参考訳（メタデータ） (2024-11-13T18:56:39Z)
• Bayesian Gaussian Process ODEs via Double Normalizing Flows [27.015257976208737]
  本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。 また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。 シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-17T09:28:47Z)
• Linear Time GPs for Inferring Latent Trajectories from Neural Spike Trains [7.936841911281107]
  我々は,Hida-Mat'ernカーネルと共役変分推論(CVI)を利用した潜在GPモデルの一般的な推論フレームワークであるcvHMを提案する。 我々は任意の確率で線形時間複雑性を持つ潜在神経軌道の変分推定を行うことができる。
  論文  参考訳（メタデータ） (2023-06-01T16:31:36Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)

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。