論文の概要: RiGS: Rigid-aware 4D Gaussian Splatting from a Single Monocular Video

• arxiv url: http://arxiv.org/abs/2605.23672v1
• Date: Fri, 22 May 2026 14:20:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.387785
• Title: RiGS: Rigid-aware 4D Gaussian Splatting from a Single Monocular Video
• Title（参考訳）: RiGS:1枚のモノクロ映像から4Dガウシアンスプラッティングを認識
• Authors: Chenyu Wu, Wanhua Li, Zhu-Tian Chen, Hanspeter Pfister,
• Abstract要約: 我々は,複数の時間スケールにわたる動きを同時にキャプチャするRiGS(Rigid-aware 4D Gaussian Splatting)を提案する。 RiGSは、新しいビュー合成ベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 38.8840959968641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing dynamic 3D scenes from monocular videos is a fundamental yet highly challenging task, as real-world motions often involve both long-term smooth transformations and short-term complex deformations. Existing methods either struggle to maintain temporal consistency or fail to capture high-frequency dynamics due to limited motion modeling capacity. In this work, we present Rigid-aware 4D Gaussian Splatting (RiGS), which simultaneously captures motions across multiple temporal scales. Specifically, RiGS introduces three types of Gaussian primitives: static, rigid, and transient, which represent static backgrounds, long-term low-frequency motions, and short-term high-frequency dynamics, respectively. An object-wise dynamic mask is proposed to aggregate long-range spatiotemporal motion information and guide the decomposition of static and dynamic regions. To jointly model motion across scales, rigid Gaussians are allowed to transition into transient Gaussians based on their temporal duration, and both are optimized under scene flow guidance, providing dense 3D motion supervision. Extensive experiments demonstrate that RiGS achieves state-of-the-art performance on novel view synthesis benchmarks. Code is available at \hyperlink{https://github.com/ladvu/RiGS}{https://github.com/ladvu/RiGS}.
• Abstract（参考訳）: モノクロビデオからダイナミックな3Dシーンを再構築することは、現実の動きが長期のスムーズな変形と短期的な複雑な変形の両方を伴うため、基本的かつ非常に難しい作業である。 既存の手法は、時間的一貫性を維持するのに苦労するか、モーションモデリング能力の制限により高周波のダイナミクスを捉えるのに失敗する。 本研究では,複数の時間スケールにわたる動きを同時にキャプチャするRiGS(Rigid-aware 4D Gaussian Splatting)を提案する。 具体的には、静的背景を表す静的、剛性、過渡性の3種類のガウスプリミティブ、長期低周波運動、短期高周波ダイナミクスを導入している。 遠距離時空間運動情報を集約し,静的領域と動的領域の分解を導くために,オブジェクトワイズ・ダイナミックマスクを提案する。 スケールをまたいだ運動を共同でモデル化するために、剛体ガウスは時間的時間に基づいて過渡ガウスへ移行することができ、両者はシーンフローガイダンスの下で最適化され、密集した3次元運動監視を提供する。 大規模な実験により、RiGSは新しいビュー合成ベンチマークで最先端のパフォーマンスを達成している。 コードは \hyperlink{https://github.com/ladvu/RiGS}{https://github.com/ladvu/RiGS} で公開されている。

関連論文リスト

• 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)
• 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)
• FreeTimeGS: Free Gaussian Primitives at Anytime and Anywhere for Dynamic Scene Reconstruction [64.30050475414947]
  FreeTimeGSはガウスのプリミティブを任意の時間と位置で表示できる新しい4D表現である。 我々の表現は強い柔軟性を持ち、ダイナミックな3Dシーンをモデル化する能力を向上させる。 いくつかのデータセットに対する実験結果から,本手法のレンダリング品質は,最近の手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-05T17:59:57Z)
• STDR: Spatio-Temporal Decoupling for Real-Time Dynamic Scene Rendering [15.873329633980015]
  既存の3DGSに基づく動的再構成法は、しばしばtextbfSTDR(リアルタイムレンダリングのための空間結合デテンポラル)に悩まされる 実時間レンダリングのためのテキストbfSTDR (Spatio-coupling DeTemporal for Real-time rendering) を提案する。
  論文  参考訳（メタデータ） (2025-05-28T14:26:41Z)
• DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
  本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。 複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T05:49:16Z)
• Periodic Vibration Gaussian: Dynamic Urban Scene Reconstruction and Real-time Rendering [49.36767999382054]
  周期振動ガウスモデル(PVG)を提案する。 PVGは、当初静的シーン表現のために設計された効率的な3Dガウススプラッティング技術に基づいている。 PVGは、最良の代替品よりも900倍の速度でレンダリングできる。
  論文  参考訳（メタデータ） (2023-11-30T13:53:50Z)
• Dynamic 3D Gaussians: Tracking by Persistent Dynamic View Synthesis [58.5779956899918]
  動的シーンビュー合成と6自由度(6-DOF)追跡のタスクを同時に処理する手法を提案する。 我々は、シーンを3Dガウスアンのコレクションとしてモデル化する最近の研究に触発された、分析バイシンセサイザーの枠組みに従う。 我々は,1人称視点合成,動的合成シーン合成,4次元映像編集など,我々の表現によって実現された多数のダウンストリームアプリケーションを紹介した。
  論文  参考訳（メタデータ） (2023-08-18T17:59:21Z)

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。