論文の概要: On the Design of Mixture-of-Experts for Dynamic Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2607.08250v2
• Date: Mon, 13 Jul 2026 06:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.268322
• Title: On the Design of Mixture-of-Experts for Dynamic Gaussian Splatting
• Title（参考訳）: 動的ガウス平滑化のための混合弁の設計について
• Authors: In-Hwan Jin, Hyeongju Mun, Joonsoo Kim, Kugjin Yun, Kyeongbo Kong,
• Abstract要約: The Mixture of deformation Experts (MoDE) and Mixture of Experts for Dynamic Gaussian Splatting (MoE-GS)。 MoDEでは、専門家が共有された標準ガウス表現を運用し、マルチデフォルムモデリングを可能にする。 MoE-GSでは、変形の専門家は独立して最適化され、別々のルーティングステージを通じて結合される。
• 参考スコア（独自算出の注目度）: 10.402941187323377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic scene reconstruction remains challenging due to the heterogeneous and spatially varying nature of real-world motion. Although recent 3D Gaussian Splatting methods have introduced diverse deformation formulations for dynamic novel view synthesis, each method typically relies on a single deformation model within its representation, which limits robustness across diverse dynamic scenarios. In this work, we study a fundamental problem-multi-deformation modeling for dynamic 3D Gaussian representations-under two distinct integration constraints that differ in when and how multiple deformation experts interact during training. From a Mixture-of-Experts (MoE) perspective, we view multi-deformation modeling as the problem of combining multiple specialized deformation models within a unified 3D representation. We first introduce Mixture of Deformation Experts (MoDE), which integrates multiple deformation experts directly into the deformable Gaussian Splatting pipeline through joint optimization. In MoDE, experts operate on a shared canonical Gaussian representation, enabling multi-deformation modeling without introducing additional training stages or modifying the original optimization schedule. In contrast, we further present Mixture of Experts for Dynamic Gaussian Splatting (MoE-GS) under a different integration constraint, where deformation experts are optimized independently and combined through a separate routing stage. As a result, expert interaction occurs over non-canonical Gaussian representations after individual optimization. Together, these two approaches provide alternative strategies for multi-deformation modeling, clarifying how integration constraints shape the design and behavior of deformation experts in dynamic 3D Gaussian representations. Our code is available at: https://github.com/cvsp-lab/MoE-GS-studio.
• Abstract（参考訳）: 動的シーン再構成は、実世界の動きの異質性や空間的に異なる性質のため、依然として困難である。 最近の3次元ガウススプラッティング法は、動的新規なビュー合成のための多様な変形定式化を導入しているが、各手法は通常、その表現内の単一の変形モデルに依存しており、様々な動的シナリオにおける堅牢性を制限する。 本研究では,動的3次元ガウス表現に対する基本的問題解決モデルについて検討する。 我々は,Mixture-of-Experts(MoE)の観点から,複数の特殊変形モデルを統一された3次元表現内で組み合わせる問題として,マルチ変形モデリングを考察する。 まず,変形エキスパートの混合(Mixture of deformation Experts, MODE)を導入する。 MoDEでは、専門家が共有された標準ガウス表現を運用し、追加のトレーニングステージを導入することなく、元の最適化スケジュールを変更することなく、マルチデフォルメモデリングを可能にする。 これとは対照的に、変形の専門家は独立して最適化され、別々のルーティング段階を通じて結合される、異なる積分制約の下で、動的ガウススティングの専門家混合(MoE-GS)を提示する。 結果として、専門家の相互作用は、個々の最適化の後、非正準ガウス表現の上に生じる。 これら2つのアプローチは、動的3次元ガウス表現における変形エキスパートの設計と振舞いを、積分制約がいかに形作るかを明確にする、マルチデフォルメモデリングのための代替戦略を提供する。 私たちのコードは、https://github.com/cvsp-lab/MoE-GS-studio.comで利用可能です。

関連論文リスト

• GS-DMSR: Dynamic Sensitive Multi-scale Manifold Enhancement for Accelerated High-Quality 3D Gaussian Splatting [10.403503628255885]
  実験により, 合成データセット上で96FPSのフレームレートを達成できた。 本研究は, 複合変形シーンのモデリング効率を高めるため, マルチスケール多様体拡張モジュールを統合する。
  論文  参考訳（メタデータ） (2026-01-09T07:12:23Z)
• Rigidity-Aware 3D Gaussian Deformation from a Single Image [12.08044152819999]
  単一の画像のみから3次元ガウス変形を導く新しいフレームワークであるDeformSplatを提案する。 また,3次元ガウス表現と2次元画素観測の領域ギャップを埋めるガウス対Pixelマッチングを提案する。 これら2つの手法を組み合わせることで,1つの画像から一貫した変形を再構成することができる。
  論文  参考訳（メタデータ） (2025-09-26T11:34:55Z)
• Laplacian Analysis Meets Dynamics Modelling: Gaussian Splatting for 4D Reconstruction [9.911802466255653]
  本稿では,ハイブリッドな明示的関数を持つ動的3DGSフレームワークを提案する。 本手法は, 複雑な動的シーンを再構築する際の最先端性能を実証し, 再現精度を向上する。
  論文  参考訳（メタデータ） (2025-08-07T01:39:29Z)
• PRISM: Probabilistic Representation for Integrated Shape Modeling and Generation [79.46526296655776]
  PRISMは、カテゴリー拡散モデルと統計的形状モデル(SSM)とガウス混合モデル(GMM)を統合した3次元形状生成の新しいアプローチである 本手法では,構成SSMを用いて部分レベルの幾何学的変動をキャプチャし,GMMを用いて連続空間における部分意味を表現する。 提案手法は,パートレベルの操作の品質と制御性の両方において,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-06T11:48:08Z)
• Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
  ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。 我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。 提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
  論文  参考訳（メタデータ） (2024-02-07T12:36:54Z)
• GaussianBody: Clothed Human Reconstruction via 3d Gaussian Splatting [14.937297984020821]
  本稿では,3次元ガウシアンスプラッティングをベースとした,ガウシアンボディと呼ばれる新しい布地復元手法を提案する。 静的な3次元ガウススメッティングモデルを動的復元問題に適用することは、複雑な非剛性変形とリッチな布の細部のために非自明である。 本手法は,ダイナミックな衣料人体に高精細な画質で,最先端のフォトリアリスティックなノベルビューレンダリングを実現できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T04:48:13Z)
• DeFormer: Integrating Transformers with Deformable Models for 3D Shape Abstraction from a Single Image [31.154786931081087]
  本稿では,パラメータ化デフォルマブルモデルと統合された新しいバイチャネルトランスフォーマアーキテクチャを提案し,プリミティブのグローバルおよび局所的な変形を同時に推定する。 DeFormerは、最先端技術よりもより良い再構築精度を実現し、一貫したセマンティック対応で可視化し、解釈性を向上させる。
  論文  参考訳（メタデータ） (2023-09-22T02:46:43Z)
• Learning Modulated Transformation in GANs [69.95217723100413]
  生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。 挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:51:22Z)
• Manifold Gaussian Variational Bayes on the Precision Matrix [70.44024861252554]
  複雑なモデルにおける変分推論(VI)の最適化アルゴリズムを提案する。 本研究では,変分行列上の正定値制約を満たすガウス変分推論の効率的なアルゴリズムを開発した。 MGVBPはブラックボックスの性質のため、複雑なモデルにおけるVIのための準備が整ったソリューションである。
  論文  参考訳（メタデータ） (2022-10-26T10:12:31Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)

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。