論文の概要: PersistGS: Differentiable Physics for Object Permanence in 4D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2606.03479v1
• Date: Tue, 02 Jun 2026 10:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 10:57:21.739724
• Title: PersistGS: Differentiable Physics for Object Permanence in 4D Gaussian Splatting
• Title（参考訳）: PersistGS: 4次元ガウス散乱における物体永続性のための微分物理学
• Authors: Adrian Ramlal, John S. Zelek,
• Abstract要約: 動的3次元ガウス散乱(3DGS)法は,光度監督を用いた同期マルチカメラ映像から時間変化シーンを再構成する。 本稿では,3次元ガウス散乱と微分可能剛体シミュレーションを結合させることにより,閉塞時の物体の永続性を復元する手法であるtextbfPersistGS$を提案する。 合成シーンの実験では、PersistGS は +2.46dB PSNR で一定の速度外挿性能を発揮し、地上軌道上界の 0.19dB 以内である。
• 参考スコア（独自算出の注目度）: 11.523616541218878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic 3D Gaussian Splatting (3DGS) methods reconstruct time-varying scenes from synchronized multi-camera video using photometric supervision. When a moving object becomes fully occluded from all training cameras, this supervision vanishes: the Gaussians representing it receive no gradient signal and degrade. Existing approaches to incomplete observations in neural reconstruction rely on learned generative priors that prioritize visual plausibility over physical correctness. We propose $\textbf{PersistGS}$, a method that restores object permanence during occlusion by coupling differentiable rigid body simulation with 3D Gaussian Splatting. Our approach decomposes the scene into per-object Gaussians and collision meshes, estimates friction and velocity from the observed pre-occlusion trajectory via differentiable simulation, and uses the resulting SE(3) trajectory to position object Gaussians throughout the occlusion period. Because the predicted trajectory satisfies the governing equations of rigid body dynamics, it faithfully captures contact events (bounces, friction-based deceleration, direction changes) that kinematic extrapolation cannot model. We introduce a centroid silhouette loss that isolates positional gradients from appearance noise, yielding 40% lower trajectory error than photometric supervision. We evaluate using cameras withheld from training that observe the object during its occlusion. Experiments on synthetic scenes show that PersistGS outperforms constant velocity extrapolation by +2.46dB PSNR and comes within 0.19dB of a ground-truth trajectory upper bound.
• Abstract（参考訳）: 動的3次元ガウス散乱(3DGS)法は,光度監督を用いた同期マルチカメラ映像から時間変化シーンを再構成する。 動く物体が全ての訓練カメラから完全に排除されると、この監視は消える。 既存の神経再建における不完全な観察へのアプローチは、身体的正しさよりも視覚的可視性を優先する学習された生成先に依存している。 本稿では,3次元ガウス散乱と微分可能な剛体シミュレーションを結合させることにより,閉塞時の物体の永続性を復元する手法である$\textbf{PersistGS}$を提案する。 提案手法は, 物体ごとのガウス線と衝突メッシュに分解し, 観測された前閉塞軌道からの摩擦と速度を微分可能シミュレーションにより推定し, 得られたSE(3)軌道を用いて物体のガウス線の位置を推定する。 予測された軌道は剛体力学の制御方程式を満たすため、運動外挿がモデル化できない接触事象(バウンス、摩擦に基づく減速、方向変化)を忠実に捉えている。 位置勾配を外見ノイズから分離し, 軌道誤差を40%低減する遠心性シルエット損失を導入した。 被写体を観察する訓練を伴わないカメラを用いて, 被写体を観察する。 合成シーンの実験では、PersistGS は +2.46dB PSNR で一定の速度外挿性能を発揮し、地上軌道上界の 0.19dB 以内である。

関連論文リスト

• R5DGS: Semantic-Aware 4D Gaussian Splatting with Rigid Body Constraints for Efficient Dynamic Scene Reconstruction [0.0]
  マルチビュービデオからダイナミックな3Dシーンを再構築し、予測することは、ロボティクス、AR/VR、デジタルツインの基本的なタスクである。 近年の物理インフォームドガウシアン・スティング法は, 将来的なフレーム外挿を実現するが, 意味的認識が欠如し, 計算オーバーヘッドが大きい。 物理駆動の 4D ガウス表現をコンパクトな恒等ベクトルで拡張するフレームワークである $textbfR5DGS$ を紹介する。
  論文  参考訳（メタデータ） (2026-05-25T14:46:04Z)
• iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
  iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。 NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-11-18T05:22:22Z)
• ODE-GS: Latent ODEs for Dynamic Scene Extrapolation with 3D Gaussian Splatting [13.520967762833408]
  3次元ガウススプラッティングと潜在ニューラル常微分方程式(ODE)を統合する新しいアプローチODE-GSを導入する。 提案手法はまず,観測ウィンドウ内で正確なガウス軌道を生成するモデルを学習し,その上でトランスフォーマーエンコーダを訓練して,過去の軌跡をニューラルODEを介して進化した潜時状態に集約する。 数値積分はスムーズで物理的に妥当な未来のガウス軌道を生成し、任意の未来のタイムスタンプでのレンダリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-05T18:02:30Z)
• CoMoGaussian: Continuous Motion-Aware Gaussian Splatting from Motion-Blurred Images [19.08403715388913]
  3D Gaussian Splattingは高品質のノベルビューレンダリングのために注目されている。 重要な問題は、露出中の動きによるカメラの動きのぼかしであり、正確な3Dシーンの復元を妨げる。 動きブル画像から正確な3Dシーンを再構成する連続運動対応ガウス版CoMoGaussianを提案する。
  論文  参考訳（メタデータ） (2025-03-07T11:18:43Z)
• 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)
• MotionGS: Exploring Explicit Motion Guidance for Deformable 3D Gaussian Splatting [56.785233997533794]
  我々はMotionGSと呼ばれる新しい変形可能な3次元ガウススプレイティングフレームワークを提案する。 MotionGSは3Dガウスの変形を導くために、前もって明示的な動きを探索する。 モノラルなダイナミックシーンの実験では、MotionGSが最先端の手法を超越していることが確認された。
  論文  参考訳（メタデータ） (2024-10-10T08:19:47Z)
• CRiM-GS: Continuous Rigid Motion-Aware Gaussian Splatting from Motion-Blurred Images [14.738528284246545]
  CRiM-GS は textbfContinuous textbfRigid textbfMotion-aware textbfGaussian textbfSplatting である。 リアルタイムレンダリング速度を維持しながら、モーションブルーの画像から正確な3Dシーンを再構築する。
  論文  参考訳（メタデータ） (2024-07-04T13:37:04Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D Human Pose and Shape Estimation [53.25973084799954]
  両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。 NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
  論文  参考訳（メタデータ） (2023-05-15T12:13:24Z)

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。