論文の概要: MVFusion-GS: Motion-Variance Guided Temporal Attention for High-Quality Dynamic Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2607.01578v1
- Date: Thu, 02 Jul 2026 01:21:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.631104
- Title: MVFusion-GS: Motion-Variance Guided Temporal Attention for High-Quality Dynamic Gaussian Splatting
- Title（参考訳）: MVFusion-GS:高品位ダイナミックガウス平滑化のための動作変動ガイド付きテンポラルアテンション
- Abstract要約: 3D Gaussian Splatting (3DGS) は静的シーンのためのリアルタイムな新しいビュー合成を可能にする。
既存の変形ネットワークには明確な動きの認識がない。
本稿では,2つの相補的な動き認識機構で変形ネットワークを強化するMVFusion-GSを提案する。
- 参考スコア（独自算出の注目度）: 7.054490512145752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D Gaussian Splatting (3DGS) enables real-time novel view synthesis for static scenes. Extending it to dynamic scenes via deformation fields has recently attracted significant attention, particularly for dynamic scene reconstructionband distractor-free. However, existing deformation networks lack explicit motion awareness: they neither capture long-term motion intensity nor exploit short-term temporal coherence, leading to inaccurate foreground deformation and pseudo-static residuals in the background. We present MVFusion-GS, a method that enhances deformation networks with two complementary motion-aware mechanisms. The Motion-Variance Guided Refinement aggregates per-Gaussian deformation statistics across time to estimate motion variance and uses it to guide dynamic-static separation during deformation prediction. The MotionFormer Temporal Attention module applies Transformer self-attention over neighboring timesteps to model local motion dependencies and improve temporal consistency. Extensive experiments on both dynamic scene reconstruction and distractor-free reconstruction benchmarks demonstrate state-of-the-art performance, showing that explicit motion awareness improves both foreground motion modeling and static background reconstruction.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は静的シーンのためのリアルタイムな新しいビュー合成を可能にする。
近年, 変形場による動的シーンへの拡張が注目されている。
しかし、既存の変形ネットワークは、長期の運動強度を捉えたり、短期的な時間的コヒーレンスを利用していないため、背景に不正確な前景の変形と擬似静的残差をもたらす。
本稿では,2つの相補的な動き認識機構で変形ネットワークを強化するMVFusion-GSを提案する。
Motion-Variance Guided Refinementは、ガウス毎の変形統計を集約して、運動の分散を推定し、変形予測中に動的に静的な分離を誘導する。
MotionFormerのテンポラルアテンションモジュールは、近くのタイムステップにTransformerの自己アテンションを適用して、ローカルなモーション依存をモデル化し、時間的一貫性を改善する。
動的シーン再構築と非干渉的再現のベンチマークによる大規模な実験は、前景の動作モデリングと静的な背景再構築の両方において、明示的な動き認識が改善することを示し、最先端のパフォーマンスを示す。
関連論文リスト
- Temporally Aware Densification for Dynamic 3D Gaussian Splatting [6.3814303507115575]
本稿では, 時間的可視性を付加した可視性認知(VAD)フレームワークを提案する。
提案手法は,3つの動的マルチビューベンチマークデータセットにまたがる既存手法よりも優れた動的領域の視覚的品質向上を実現する。
論文 参考訳（メタデータ） (2026-06-22T11:55:21Z) - RiGS: Rigid-aware 4D Gaussian Splatting from a Single Monocular Video [38.8840959968641]
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。
論文 参考訳（メタデータ） (2026-05-22T14:20:39Z) - 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) - DynamicVGGT: Learning Dynamic Point Maps for 4D Scene Reconstruction in Autonomous Driving [36.56424549984779]
本稿では,VGGTを静的な3次元知覚から動的4次元再構成まで拡張する統合フィードフォワードフレームワークを提案する。
我々のゴールは、フィードフォワード3Dモデル内の点運動を動的かつ時間的コヒーレントな方法でモデル化することである。
自律走行データセットの実験では、DynamicVGGTは復元精度において既存の手法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-03-09T11:24:14Z) - PMGS: Reconstruction of Projectile Motion across Large Spatiotemporal Spans via 3D Gaussian Splatting [9.314869696272297]
本研究では,3次元ガウス散乱によるプロジェクタイルの再構成に着目したPMGSを提案する。
本稿では,ニュートン力学を橋渡し,ポーズ推定を行う加速度制約を導入し,運動状態に基づいて学習率を適応的にスケジュールする動的シミュレート変形戦略を設計する。
論文 参考訳（メタデータ） (2025-08-04T17:49:37Z) - 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) - EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。
本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。
動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。
最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
論文 参考訳（メタデータ） (2025-03-14T13:15:54Z) - 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) - 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) - DEMOS: Dynamic Environment Motion Synthesis in 3D Scenes via Local
Spherical-BEV Perception [54.02566476357383]
本研究では,動的環境運動合成フレームワーク(DEMOS)を提案する。
次に、最終動作合成のために潜在動作を動的に更新する。
その結果,本手法は従来の手法よりも優れ,動的環境の処理性能も優れていた。
論文 参考訳（メタデータ） (2024-03-04T05:38:16Z) - 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)
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。