論文の概要: Grassmannian Splatting I: Moving rank-2 Spacetime Surfels for Dynamic Scene Rendering

• arxiv url: http://arxiv.org/abs/2607.10489v1
• Date: Sat, 11 Jul 2026 21:51:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.442603
• Title: Grassmannian Splatting I: Moving rank-2 Spacetime Surfels for Dynamic Scene Rendering
• Title（参考訳）: Grassmannian Splatting I: moving rank-2 Spacetime Surfels for Dynamic Scene Rendering
• Authors: Aaron Maurice Berman, Shantanu Dave,
• Abstract要約: 時空の3次元平面上でのプリミティブが3次元平面上でサポートされた動的シーン表現であるグラスマンスプラッティング(Grassmannian splatting)を導入する。 ディスクの正常値とその正常値に沿った速度を$nから読み出し、ディスクの形状と中心の接するドリフトを$Lとする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Grassmannian splatting, a dynamic scene representation whose primitives are Gaussians supported on 3-planes in spacetime $\R^4$: generically, spatial 2-planes in uniform translation along their normals. Each primitive carries a unit normal $n \in \mathbb S^3/\{\pm 1\} \cong \mathrm{Gr}(3,4)$ and an unconstrained factor $L \in \mathbb R^{4 \times 3}$, with covariance \[ Σ_{4\mathrm{D}} = (P_n L)(P_n L)^T, \qquad P_n = I - n n^T. \] For generic $L$ and $n \neq \pm e_0$, conditioning on time returns a rank-2 surfel at every frame. The normal of the disk and its velocity along that normal are read off from $n$; the disk shape and the tangential drift of its center are set by $L$. Existing native 4D Gaussian splatting methods [\it{Yang et. al. 2023,Duan et. al. 2024}] slice full-rank spacetime covariances, so their per-frame primitive is a volumetric ellipsoid; since conditioning lowers rank by exactly one, a rank-2 surfel in the slice requires a rank-3 spacetime covariance, and the parameterization above realizes exactly these. The motion model is closed form, i.e. no deformation field is learned, and no custom CUDA is required: the conditioned disk feeds a standard 3DGS rasterizer through its precomputed-covariance interface. A soft clamp in the Schur denominator regularizes the static orientation and continuously bridges rank-3 static and rank-2 dynamic behavior, so static and moving primitives form a single continuous family. On the 17 HyperNeRF scenes of MonoDyGauBench, training is fastest among all compared methods (4.9 to 5.6 times faster than the strongest quality baselines), while ranking second in PSNR, MS-SSIM, and LPIPS. Code: https://github.com/PaulCelanCoding/grassmannian-splatting
• Abstract（参考訳）: 時空$\R^4$: 一般の空間2次元平面を正規空間に沿って一様に翻訳する3次元平面上で原始体が支えられる動的シーン表現であるグラスマンスプラッティングを導入する。 各プリミティブは、単位正規元 $n \in \mathbb S^3/\{\pm 1\} \cong \mathrm{Gr}(3,4)$ と非制約因子 $L \in \mathbb R^{4 \times 3}$ を持ち、共分散 \[ Σ_{4\mathrm{D}} = (P_n L)(P_n L)^T, \qquad P_n = I - n^T を持つ。 ジェネリック$L$と$n \neq \pm e_0$の場合、時刻の条件付けは各フレームでランク2のサーブレットを返す。 ディスクの通常値と通常の速度は$n$から読み取られ、ディスクの形状と中心の接するドリフトは$L$に設定される。 既存の 4D Gaussian splatting method [\it{Yang et al 2023,Duan et al 2024}] はフルランク時空の共分散をスライスするので、フレーム単位のプリミティブは体積楕円体である。 運動モデルはクローズド形式であり、すなわち変形場は学習されず、カスタムのCUDAも必要とせず、条件付きディスクはプリ計算/共分散インタフェースを介して標準の3DGSラスタライザを供給している。 シュル分母のソフトクランプは、静的配向を正則化し、ランク3とランク2の動的挙動を連続的にブリッジするので、静的および移動プリミティブは単一の連続族を形成する。 MonoDyGauBenchの17のHyperNeRFシーンでは、PSNR、MS-SSIM、LPIPSで2位にランクインし、比較したすべての方法(最高品質ベースラインの4.9倍から5.6倍)の中でトレーニングが最速である。 コード:https://github.com/PaulCelanCoding/grassmannian-splatting

関連論文リスト

• Exact equivariance, kept through training, buys zero-shot generalisation across the symmetry group [6.230579198456525]
  等変エンコーダ$E$と等変予測器$f$から構築された潜在世界モデルは、トレーニング損失の証明可能な対称性を継承する。 このエンドツーエンドをラップトップスケール(CPU/MPS、完全シード)で検証する。
  論文  参考訳（メタデータ） (2026-06-02T01:20:24Z)
• Beyond Bounded Variance: Variance-Reduced Normalized Methods for Nonconvex Optimization under Blum-Gladyshev Noise [7.692336118507715]
  我々は,Blum-Gladyshev(mathsfBG$-0)ノイズモデルの下での非線形最適化について検討した。 モーメント付き正規化勾配降下は、勾配毎のパラメータを1つだけ使い、複雑さが$O(varepsilon-6)$で$mathsfBG$-0ノイズの下に収束することを示す。
  論文  参考訳（メタデータ） (2026-05-14T18:27:49Z)
• A Closed-Form Adaptive-Landmark Kernel for Certified Point-Cloud and Graph Classification [0.0]
  PALACEはOrbitHS5k(91.3pm 1.0%$, matching Persformer)上で最強の閉形式ダイアグラムベースの方法である ドメインインフレーションが8ドルになると、均等グリッドが崩壊する一方、プレースメントは94%$を維持している(4クラスデータでは25%$) PALACEはOrbitHS5k(91.3pm 1.0%$, matching Persformer)上で最強の閉形式ダイアグラムベースの手法である。
  論文  参考訳（メタデータ） (2026-05-05T17:59:18Z)
• The Spectral Edge Thesis: A Mathematical Framework for Intra-Signal Phase Transitions in Neural Network Training [0.0]
  ニューラルネットワークトレーニングにおける位相遷移は,パラメータ更新の回転ウィンドウグラム行列のスペクトルギャップによって制御されることを示す。 adiabatic parameter $mathcalA = |G|_F / (, g2)$ control circuit stability: $mathcalA ll 1$ (plateau), $mathcalA sim 1$ (phase transition), $mathcalA gg 1$ (forgetting)
  論文  参考訳（メタデータ） (2026-03-30T20:10:22Z)
• Adaptive Lipschitz-Free Conditional Gradient Methods for Stochastic Composite Nonconvex Optimization [23.28384210732827]
  ALFCG, ALFCGは, 合成非追従変種に対する最初のテクスタダプティブなプロジェクションフリーフレームワークである。 オープンループ減少ステップを使用する従来の方法とは異なり、ALFCGは自己正規化アキュムレータを維持している。 ALFCG-FSが$tildemathcalO(2+-2$と$tildemathcalO(-3+-2)$to 0$を獲得し、ALFCG-MVR2が$tildemathcalO(2+を達成する
  論文  参考訳（メタデータ） (2026-03-06T15:20:52Z)
• Proving the Limited Scalability of Centralized Distributed Optimization via a New Lower Bound Construction [57.93371273485736]
  我々は、すべての労働者が同一の分布にアクセスする均質な(すなわちd.d.)場合であっても、すべての労働者が非バイアス付き境界 LDeltaepsilon2,$$$$$ のポリ対数的により良いポリ対数を求める集中型分散学習環境を考える。
  論文  参考訳（メタデータ） (2025-06-30T13:27:39Z)
• From Continual Learning to SGD and Back: Better Rates for Continual Linear Models [50.11453013647086]
  以前見られたタスクの損失を、$k$の繰り返しの後、忘れること、すなわち、分析する。 実現可能な最小二乗の設定において、新しい最上界を創出する。 我々は、タスクを繰り返しないランダム化だけで、十分に長いタスクシーケンスで破滅的な事態を防げることを初めて証明した。
  論文  参考訳（メタデータ） (2025-04-06T18:39:45Z)
• Sign Operator for Coping with Heavy-Tailed Noise in Non-Convex Optimization: High Probability Bounds Under $(L_0, L_1)$-Smoothness [74.18546828528298]
  SignSGD with Majority Votingは,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappaka ppakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappakappa -1right,Kappakappakappa-1right,Kappakappakappa-1right,Kappakappappapa-1right,Kappaを用いて,複雑性の全範囲で堅牢に動作することを示す。
  論文  参考訳（メタデータ） (2025-02-11T19:54:11Z)
• Overcomplete Tensor Decomposition via Koszul-Young Flattenings [56.82556231289414]
  最小ランク1項の和として$n_times n times n_3$ tensorを分解する新しいアルゴリズムを与える。 次数-d$s のさらに一般的なクラスは、定数 $C = C(d)$ に対して階数 $Cn$ を超えることができないことを示す。
  論文  参考訳（メタデータ） (2024-11-21T17:41:09Z)
• Sharper Convergence Guarantees for Asynchronous SGD for Distributed and Federated Learning [77.22019100456595]
  通信周波数の異なる分散計算作業者のトレーニングアルゴリズムを示す。 本研究では,より厳密な収束率を$mathcalO!!(sigma2-2_avg!)とする。 また,不均一性の項は,作業者の平均遅延によっても影響されることを示した。
  論文  参考訳（メタデータ） (2022-06-16T17:10:57Z)

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。