論文の概要: PaMoSplat: Part-Aware Motion-Guided Gaussian Splatting for Dynamic Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2605.10307v1
• Date: Mon, 11 May 2026 10:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.717802
• Title: PaMoSplat: Part-Aware Motion-Guided Gaussian Splatting for Dynamic Scene Reconstruction
• Title（参考訳）: PaMoSplat:動的シーン再構築のための運動誘導型ガウススプラッティング
• Authors: Yinan Deng, Jianyu Dou, Jiahui Wang, Jingyu Zhao, Yi Yang, Yufeng Yue,
• Abstract要約: PaMoSplatは、部分認識と動作先行を組み込んだ新しい動的ガウススプレイティングフレームワークである。 レンダリング品質が向上し、トラッキング精度が向上し、既存の方法よりも高速な収束を実現している。 4Dシーン編集など、複数の部分レベルのダウンストリームアプリケーションを可能にする。
• 参考スコア（独自算出の注目度）: 22.845069386656515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic scene reconstruction represents a fundamental yet demanding challenge in computer vision and robotics. While recent progress in 3DGS-based methods has advanced dynamic scene modeling, obtaining high-fidelity rendering and accurate tracking in scenarios with substantial, intricate motions remains significantly challenging. To address these challenges, we propose PaMoSplat, a novel dynamic Gaussian splatting framework incorporating part awareness and motion priors. Our approach is grounded in two key observations: 1) Parts serve as primitives for scene deformation, and 2) Motion cues from optical flow can effectively guide part motion. Specifically, PaMoSplat initializes by lifting multi-view segmentation masks into 3D space via graph clustering, establishing coherent Gaussian parts. For subsequent timestamps, we leverage a differential evolutionary algorithm to estimate the rigid motion of these parts using multi-view optical flow cues, providing a robust warm-start for further optimization. Additionally, PaMoSplat introduces an adaptive iteration count mechanism, internal learnable rigidity, and flow-supervised rendering loss to accelerate and optimize the training process. Comprehensive evaluations across diverse scenes, including real-world environments, demonstrate that PaMoSplat delivers superior rendering quality, improved tracking precision, and faster convergence compared to existing methods. Furthermore, it enables multiple part-level downstream applications, such as 4D scene editing.
• Abstract（参考訳）: 動的シーン再構築はコンピュータビジョンとロボット工学における基本的な課題である。 3DGSに基づく手法の最近の進歩は、動的シーンモデリングを進歩させてきたが、相当な複雑な動きを持つシナリオにおいて、高忠実なレンダリングと正確な追跡を得ることは、依然として著しく困難である。 これらの課題に対処するために,パート認識と動作先行を組み込んだ新しい動的ガウススプレイティングフレームワークPaMoSplatを提案する。 私たちのアプローチは2つの重要な観測に根ざしています。 1)部品はシーン変形のプリミティブとして機能し、 2) 光学的流れからの動作手がかりは, 効果的に部品運動を導くことができる。 特に、PaMoSplatはグラフクラスタリングによって多視点セグメンテーションマスクを3次元空間に持ち上げ、一貫性のあるガウス部分を確立することで初期化する。 その後のタイムスタンプに対して、微分進化アルゴリズムを用いて、多視点光フローキューを用いてこれらの部品の剛性運動を推定し、さらなる最適化のための堅牢なウォームスタートを提供する。 さらにPaMoSplatでは、適応的なイテレーションカウント機構、内部学習可能な剛性、フロー制御レンダリング損失を導入して、トレーニングプロセスの高速化と最適化を実現している。 PaMoSplatはより優れたレンダリング品質を提供し、トラッキング精度を向上し、既存の手法よりも高速なコンバージェンスを実現している。 さらに、4Dシーン編集など、複数の部分レベルのダウンストリームアプリケーションを可能にする。

関連論文リスト

• Flow4DGS-SLAM: Optical Flow-Guided 4D Gaussian Splatting SLAM [55.56111618153049]
  光学的流れによって誘導される動的3DGS SLAMのための効率的なフレームワークを提案する。 動的3DGSのトレーニング速度は,時間中心を明示的にモデル化することで向上する。 その結果, 追跡, 動的再構成, 訓練効率の両立が実証された。
  論文  参考訳（メタデータ） (2026-04-24T08:13:01Z)
• MotionScale: Reconstructing Appearance, Geometry, and Motion of Dynamic Scenes with Scalable 4D Gaussian Splatting [54.859943475818234]
  MotionScaleは、4Dガウススティングフレームワークで、大きなシーンや拡張シーケンスに効率よくスケールする。 挑戦的な実世界のベンチマークの実験では、MotionScaleは復元品質と時間的安定性の両方において最先端の手法を大きく上回っている。
  論文  参考訳（メタデータ） (2026-03-31T06:03:59Z)
• 4D3R: Motion-Aware Neural Reconstruction and Rendering of Dynamic Scenes from Monocular Videos [52.89084603734664]
  静的および動的コンポーネントを2段階のアプローチで分離する,ポーズフリーな動的ニューラルネットワークレンダリングフレームワークである4D3Rを提案する。 提案手法は最先端手法よりも最大1.8dBPSNRの改善を実現する。
  論文  参考訳（メタデータ） (2025-11-07T13:25:50Z)
• MAPo : Motion-Aware Partitioning of Deformable 3D Gaussian Splatting for High-Fidelity Dynamic Scene Reconstruction [13.28997490352807]
  変形可能な3次元ガウス平板(MAPo)の運動認識分割について紹介する。 MAPoは高忠実度動的シーン再構築のための新しいフレームワークである。 これは、同等の計算コストを維持しながら、ベースラインよりも優れたレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-08-27T11:10:46Z)
• HAIF-GS: Hierarchical and Induced Flow-Guided Gaussian Splatting for Dynamic Scene [24.789092424634536]
  本稿では,スパースアンカー駆動変形による構造的・一貫した動的モデリングを実現する統合フレームワークHAIF-GSを提案する。 HAIF-GSは, レンダリング品質, 時間的コヒーレンス, 再構成効率において, 従来の動的3DGS法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-06-11T08:45:08Z)
• Motion-aware 3D Gaussian Splatting for Efficient Dynamic Scene Reconstruction [89.53963284958037]
  動的シーン再構築のための新しい動き認識拡張フレームワークを提案する。 具体的には,まず3次元ガウス運動と画素レベルの流れの対応性を確立する。 より厳密な最適化問題を示す先行的な変形に基づくパラダイムに対して,過渡対応変形補助モジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-18T03:46:26Z)
• Learning to Segment Rigid Motions from Two Frames [72.14906744113125]
  本研究では, 運動場から独立物体の動きを復元する幾何学的解析により, モジュラーネットワークを提案する。 2つの連続フレームを入力とし、背景のセグメンテーションマスクと複数の剛体移動オブジェクトを予測し、3次元の剛体変換によってパラメータ化する。 本手法はkittiおよびsintelにおける剛体運動セグメンテーションの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-11T04:20:30Z)

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。