論文の概要: Implicit 4D Gaussian Splatting for Fast Motion with Large Inter-Frame Displacements
- arxiv url: http://arxiv.org/abs/2607.12362v1
- Date: Tue, 14 Jul 2026 05:33:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.042499
- Title: Implicit 4D Gaussian Splatting for Fast Motion with Large Inter-Frame Displacements
- Title（参考訳）: フレーム間変位が大きい高速動作のためのインシシット4次元ガウス平滑化
- Abstract要約: 最近の4次元ガウススプラッティング法は、フレーム間変位が大きい高速動作でしばしば失敗する。
本研究では,SPIN-4DGSと命名された4DGSのためのStemporal Position Implicit Networkを紹介する。
- 参考スコア（独自算出の注目度）: 5.855387739521521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent 4D Gaussian Splatting (4DGS) methods often fail under fast motion with large inter-frame displacements, where Gaussian attributes are poorly learned during training, and fast-moving objects are often lost from the reconstruction. In this work, we introduce Spatiotemporal Position Implicit Network for 4DGS, coined SPIN-4DGS, which learns Gaussian attributes from explicitly collected spatiotemporal positions rather than modeling temporal displacements, thereby enabling more faithful splatting under fast motions with large inter-frame displacements. To avoid the heavy memory overhead of explicitly optimizing attributes across all spatiotemporal positions, we instead predict them with a lightweight feed-forward network trained under a rasterization-based reconstruction loss. Consequently, SPIN-4DGS learns shared representations across Gaussians, effectively capturing spatiotemporal consistency and enabling stable high-quality Gaussian splatting even under challenging motions. Across extensive experiments, SPIN-4DGS consistently achieves higher fidelity under large displacements, with clear improvements in PSNR and SSIM on challenging sports scenes from the CMU Panoptic dataset. For example, SPIN-4DGS notably outperforms the strongest baseline, D3DGS, by achieving +1.83 higher PSNR on the Basketball scene.
- Abstract（参考訳）: 近年の4次元ガウス散乱法 (4DGS) は, フレーム間変位が大きく, ガウス特性の学習が不十分であり, 高速移動物体が復元から失われる場合が多い。
本研究では,4DGSのための時空間位置インプリシットネットワークSPIN-4DGSを導入し,時間的変位をモデル化するのではなく,明示的に収集された時空間位置からガウス特性を学習し,フレーム間変位が大きい高速動作下でより忠実なスプレイティングを可能にする。
全ての時空間位置で属性を明示的に最適化する際のメモリオーバーヘッドを回避するために、ラスタ化に基づく再構成損失の下でトレーニングされた軽量フィードフォワードネットワークを用いて、属性を予測する。
その結果、SPIN-4DGSはガウス全体の共有表現を学習し、時空間の一貫性を効果的に捉え、挑戦的な動きであっても安定した高品質のガウススプラッティングを可能にする。
広範な実験を通じて、SPIN-4DGSは、CMU Panopticデータセットからの挑戦的なスポーツシーンにおいて、PSNRとSSIMの明確な改善とともに、大きな変位の下で、常に高い忠実性を達成する。
例えば、SPIN-4DGSは、バスケットボールのシーンで+1.83以上のPSNRを達成することによって、最強のベースラインであるD3DGSを上回っている。
関連論文リスト
- FAST-GS: Frequency Aware Space-time Gaussian Splatting for Photorealistic Dynamic Novel View Synthesis [12.26058477225448]
4D Gaussian Splatting (4DGS) は動的3Dノベルビューのリアルタイムレンダリングに優れている。
本稿では、動きを周波数ベースの正弦波成分に分解するフーリエモデリングモジュールを提案する。
4DGSのリアルタイムレンダリング能力を維持しながら、複雑なモーションフィッティングと長期コヒーレンスを改善している。
論文 参考訳（メタデータ） (2026-08-03T09:27:33Z) - TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。
標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
論文 参考訳（メタデータ） (2026-06-14T16:59:48Z) - Learning Global Motion with Compact Gaussians for Feed-Forward 4D Reconstruction [49.87425331212591]
我々は、タイムスタンプ条件付き学習可能なガウスクエリトークンのコンパクトなセット上に構築されたフィードフォワード4D再構成フレームワークであるC4Gを提案する。
C4Gはガウシアンをはるかに少なく、カメラのポーズを必要とせず、強力なノベルビュー合成性能を実現する。
論文 参考訳（メタデータ） (2026-05-29T17:57:41Z) - TRiGS: Temporal Rigid-Body Motion for Scalable 4D Gaussian Splatting [40.83830884179225]
TRiGSは、統一された連続した幾何学的変換を利用する新しい4D表現である。
我々は,TRiGSが高精細度のレンダリングを標準ベンチマーク上で実現しつつ,メモリボトルネックを重くすることなく,拡張されたビデオシーケンスに一意にスケール可能であることを示す。
論文 参考訳（メタデータ） (2026-04-01T06:35:13Z) - P-4DGS: Predictive 4D Gaussian Splatting with 90$\times$ Compression [26.130131551764077]
3D Gaussian Splatting (3DGS) は、シーン表現の忠実さとリアルタイムレンダリング性能が優れており、注目されている。
有望な結果を得たにもかかわらず、既存のアルゴリズムのほとんどは、動的シーンに固有の時間的および空間的冗長性を見落としている。
コンパクトな4次元シーンモデリングのための新しい動的3DGS表現であるP-4DGSを提案する。
論文 参考訳（メタデータ） (2025-10-11T05:19:41Z) - Optimized Minimal 4D Gaussian Splatting [50.29519144753797]
4D Gaussian Splattingは動的シーン表現の新しいパラダイムとして登場し、複雑な動きを持つシーンのリアルタイムレンダリングを可能にした。
何百万人ものガウス人が高忠実度再構築を必要としているため、ストレージオーバーヘッドの大きな課題に直面している。
OMG4は、4次元ガウス模型を忠実に表現できる有能なガウスのコンパクトな集合を構成するフレームワークである。
論文 参考訳（メタデータ） (2025-10-04T16:11:13Z) - Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。
しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。
動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
論文 参考訳（メタデータ） (2025-06-09T16:30:48Z) - 4DGC: Rate-Aware 4D Gaussian Compression for Efficient Streamable Free-Viewpoint Video [56.04182926886754]
3D Gaussian Splatting (3DGS)は、フォトリアリスティック・フリー・ビューポイント・ビデオ(FVV)体験を可能にする大きな可能性を秘めている。
既存の方法は、動的3DGS表現と圧縮を別々に扱うのが一般的である。
本稿では,FVVのRD性能を向上しつつ,ストレージサイズを大幅に削減するレート対応4Dガウス圧縮フレームワークである4DGCを提案する。
論文 参考訳（メタデータ） (2025-03-24T08:05:27Z) - 4D Scaffold Gaussian Splatting with Dynamic-Aware Anchor Growing for Efficient and High-Fidelity Dynamic Scene Reconstruction [27.455934322535853]
異なる視点でストレージコストに対処する4Dアンカーベースのフレームワークを導入する。
提案手法は, 動的領域における最先端の視覚的品質を実現し, 実用的ストレージコストに比して, 全ベースラインをはるかに上回っている。
論文 参考訳（メタデータ） (2024-11-26T02:22:07Z) - Fully Explicit Dynamic Gaussian Splatting [22.889981393105554]
3D Gaussian Splattingは、高密度な3D事前表現と明示的な表現を活用することで、静的シーンにおける高速かつ高品質なレンダリング結果を示している。
本稿では,Ex4DGSの収束性を改善するためのプログレッシブトレーニング手法とポイントバックトラッキング手法を提案する。
2080TiのGPU上で62fpsの高速レンダリングを実現するため,様々な場面での総合的な実験を行った。
論文 参考訳（メタデータ） (2024-10-21T04:25:43Z) - MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes [49.36091070642661]
本稿では,4DGSのためのメモリ効率フレームワークを提案する。
TechnicolorとNeural 3D Videoのデータセットで約190$times$と125$times$のストレージ削減を実現している。
レンダリング速度とシーン表現の品質を維持し、フィールドに新しい標準を設定する。
論文 参考訳（メタデータ） (2024-10-17T14:47:08Z)
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。