論文の概要: 4DHumanDiff: Direct Text-to-4DGS Generation for Consistent 360-Degree Dynamic Humans
- arxiv url: http://arxiv.org/abs/2607.27634v1
- Date: Thu, 30 Jul 2026 03:45:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.385466
- Title: 4DHumanDiff: Direct Text-to-4DGS Generation for Consistent 360-Degree Dynamic Humans
- Title（参考訳）: 4DHumanDiff:360度ダイナミックヒューマンのためのテキストから4DGSの直接生成
- Abstract要約: テキストプロンプトから動的人間を直接生成する拡散フレームワークである4DHumanDiffを提案する。
4DHumanDiffはビデオのプレジェネレーションやシーンごとの再構築を回避し、ビュー一貫性と時間的に一貫性のあるアセット生成に適している。
実験によると、4DHumanDiffは1分以内に一貫した360度ダイナミックな人間を生成し、時間的・多ビューの一貫性を向上し、推論時間を10倍に短縮する。
- 参考スコア（独自算出の注目度）: 49.149448432660996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating high-quality 360-degree dynamic human assets from text prompts is challenging. Existing methods usually synthesize monocular or multi-view videos first and then fit a 4D representation, which is expensive and often causes incomplete geometry or view-inconsistent renderings. We present 4DHumanDiff, a diffusion framework that directly generates dynamic humans represented by 4D Gaussian Splatting (4DGS) from text prompts. By modeling the structured 4D representation space end-to-end, 4DHumanDiff avoids video pre-generation and per-scene reconstruction, making it better suited for view-consistent and temporally coherent asset generation. The model uses a 3D U-Net backbone with temporal attention for motion-aware generation. We further construct a large-scale text-to-4DGS dataset with 60,000 high-quality pairs, and introduce 2D regularization and training-free 4D interpolation to improve rendering quality and motion smoothness. Experiments show that 4DHumanDiff generates consistent 360-degree dynamic humans within one minute, achieves better temporal and multi-view consistency, and reduces inference time by more than 10x.
- Abstract（参考訳）: テキストプロンプトから高品質な360度ダイナミックな人的資産を生成することは難しい。
既存の方法は、まずモノクロまたはマルチビュービデオを合成し、次に4D表現に適合するが、これは高価であり、しばしば不完全な幾何学やビュー不整合レンダリングを引き起こす。
4D Gaussian Splatting (4DGS) で表される動的人間を直接テキストプロンプトから生成する拡散フレームワークである4DHumanDiffを提案する。
構造化された4D表現空間をエンドツーエンドにモデル化することにより、4DHumanDiffはビデオ前世代とシーンごとの再構成を回避し、ビュー一貫性と時間的に一貫性のあるアセット生成に適している。
このモデルは3次元のU-Netバックボーンを使用し、モーションアウェア生成に時間的注意を払っている。
さらに、6万組の高品質なテキストから4DGSデータセットを構築し、2D正規化とトレーニング不要な4D補間を導入し、レンダリング品質と動きの滑らかさを向上させる。
実験によると、4DHumanDiffは1分以内に一貫した360度ダイナミックな人間を生成し、時間的・多ビューの一貫性を向上し、推論時間を10倍に短縮する。
関連論文リスト
- Tracking-Guided 4D Generation: Foundation-Tracker Motion Priors for 3D Model Animation [21.075786141331974]
スパース入力から動的4Dオブジェクトを生成するフレームワークであるemphTrack4DGenを提案する。
ステージ1では拡散発生器内の高密度な特徴レベル対応を強制する。
ステージ2では,ハイブリッドモーション符号化を用いて動的4D-GSを再構成する。
論文 参考訳（メタデータ） (2025-12-05T21:13:04Z) - TriDiff-4D: Fast 4D Generation through Diffusion-based Triplane Re-posing [30.542634775083112]
TriDiff-4Dは、拡散ベースの3次元平面再構成を用いて、高品質で時間的に整合した4Dアバターを生成する新しい4D生成パイプラインである。
TriDiff-4Dは、大規模な3Dおよびモーションデータセットから3D構造とモーション先行を明示的に学習することにより、時間的一貫性、運動精度、計算効率、視覚的忠実性に優れた骨格駆動の4D生成を可能にする。
論文 参考訳（メタデータ） (2025-11-20T18:59:03Z) - Diff4Splat: Controllable 4D Scene Generation with Latent Dynamic Reconstruction Models [79.06910348413861]
Diff4Splatは、単一の画像から制御可能で明示的な4Dシーンを合成するフィードフォワード方式である。
単一の入力画像、カメラ軌跡、オプションのテキストプロンプトが与えられた場合、Diff4Splatは外見、幾何学、動きを符号化する変形可能な3Dガウス場を直接予測する。
論文 参考訳（メタデータ） (2025-11-01T11:16:25Z) - Diffusion4D: Fast Spatial-temporal Consistent 4D Generation via Video Diffusion Models [116.31344506738816]
高速でスケーラブルな4Dコンテンツ生成のための新しいフレームワーク textbfDiffusion4D を提案する。
ダイナミックな3Dアセットの軌道ビューを合成できる4D対応ビデオ拡散モデルを開発した。
提案手法は, 生成効率と4次元幾何整合性の観点から, 従来の最先端技術を超えている。
論文 参考訳（メタデータ） (2024-05-26T17:47:34Z) - Efficient4D: Fast Dynamic 3D Object Generation from a Single-view Video [42.10482273572879]
本稿では,効率的な4Dオブジェクト生成フレームワークであるEfficient4Dを提案する。
異なるカメラビューの下で高品質な時空一貫性の画像を生成し、ラベル付きデータとして使用する。
合成ビデオと実ビデオの両方の実験によると、Efficient4Dのスピードは10倍に向上している。
論文 参考訳（メタデータ） (2024-01-16T18:58:36Z) - 4DGen: Grounded 4D Content Generation with Spatial-temporal Consistency [118.15258850780417]
textbf4DGenは、4Dコンテンツ作成のための新しいフレームワークである。
我々のパイプラインは、制御可能な4D生成を容易にし、ユーザがモノクロビデオで動きを指定したり、画像から映像への世代を適用できる。
既存のビデオから4Dのベースラインと比較すると,入力信号の忠実な再構成には優れた結果が得られる。
論文 参考訳（メタデータ） (2023-12-28T18:53:39Z) - DreamGaussian4D: Generative 4D Gaussian Splatting [56.49043443452339]
DG4D(DreamGaussian 4D:DreamGaussian 4D)はGaussian Splatting(GS)をベースとした効率的な4D生成フレームワークである。
我々の重要な洞察は、空間変換の明示的なモデリングと静的GSを組み合わせることで、4次元生成の効率的かつ強力な表現ができるということである。
ビデオ生成手法は、高画質の4D生成を向上し、価値ある時空間前兆を提供する可能性がある。
論文 参考訳（メタデータ） (2023-12-28T17:16:44Z) - Align Your Gaussians: Text-to-4D with Dynamic 3D Gaussians and Composed
Diffusion Models [94.07744207257653]
我々は、探索されていないテキストから4D設定に焦点をあて、動的にアニメーションされた3Dオブジェクトを合成する。
4次元オブジェクト最適化において,テキスト・ツー・イメージ,テキスト・ツー・ビデオ,および3次元認識型多視点拡散モデルを組み合わせてフィードバックを提供する。
論文 参考訳（メタデータ） (2023-12-21T11:41:02Z)
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。