論文の概要: AdaAnchor4D: Anchor-Conditioned Spatiotemporal Feature Aggregation for Monocular UAV 4D Reconstruction

• arxiv url: http://arxiv.org/abs/2607.28320v1
• Date: Thu, 30 Jul 2026 14:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.615037
• Title: AdaAnchor4D: Anchor-Conditioned Spatiotemporal Feature Aggregation for Monocular UAV 4D Reconstruction
• Title（参考訳）: AdaAnchor4D : 単眼UAV4D再建のためのアンカーコンディション付き時空間的特徴アグリゲーション
• Abstract要約: UAVビデオは複雑な都市のシーンを動的に再現するための貴重な観察を提供する。 異なる領域は時間的活動パターンに従い、ある動的変形領域の運動状態は時間とともにさらに進化する。 AdaAnchor4Dは単眼UAV動的シーン再構築のための適応アンカーフレームワークである。
• 参考スコア（独自算出の注目度）: 101.60152142970547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular UAV videos provide valuable observations for dynamic reconstruction of complex urban scenes. However, such scenes exhibit pronounced spatiotemporal heterogeneity: different regions follow distinct temporal activity patterns, while the motion states of some dynamic regions may further evolve over time. Although dynamic Gaussian methods based on decomposed shared spatiotemporal feature fields have achieved efficient and accurate reconstruction in object-centric or relatively compact scenes, their commonly adopted fixed plane-wise feature combination mechanisms are less suited to the heterogeneous local dynamics of UAV scenes, often leading to ghosting artifacts and blurred dynamic details. To address this challenge, we propose AdaAnchor4D, an adaptive anchor deformation framework for monocular UAV dynamic scene reconstruction. At its core, Anchor-Conditioned Feature Aggregation (ACFA) adaptively aggregates shared spatiotemporal features using anchor-specific aggregation embeddings and temporal information, allowing different local units to obtain dynamic representations tailored to their local and temporal states. Decoupled Local Geometry Deformation (DLGD) separates anchor-state deformation from local Gaussian geometry deformation, while Density-Adaptive Coordinate Warping (DACW) reparameterizes feature-query coordinates according to the axis-wise anchor distributions, alleviating the mismatch between non-uniform geometric sampling and uniform grid parameterization. Experiments on UAV-Arc4D, VisDrone, and UAVDT show that AdaAnchor4D achieves higher rendering quality than representative dynamic Gaussian methods while maintaining real-time rendering performance. The code will be made publicly available.
• Abstract（参考訳）: 単眼のUAVビデオは複雑な都市景観を動的に再現するための貴重な観察を提供する。 異なる領域は異なる時間的活動パターンに従うが、いくつかの動的領域の運動状態は時間とともにさらに進化する可能性がある。 分割された共有時空間の特徴場に基づく動的ガウス的手法は、オブジェクト中心または比較的コンパクトなシーンにおいて効率的かつ正確な再構成を実現しているが、それらの一般に採用されている固定平面的特徴結合機構は、UAVシーンの異種局所力学には適さないため、ゴーストアーティファクトやぼやけたダイナミックディテールにつながることが多い。 この課題に対処するため,単眼UAV動的シーン再構成のための適応アンカー変形フレームワークであるAdaAnchor4Dを提案する。 中心となるAnchor-Conditioned Feature Aggregation (ACFA)は、アンカー固有のアグリゲーション埋め込みと時間情報を用いて、共有時空間の特徴を適応的に集約し、異なる局所単位がそれぞれの局所状態と時間状態に合わせて動的表現を得ることを可能にする。 Decoupled Local Geometry deformation (DLGD) は局所ガウス幾何学的変形からアンカー状態の変形を分離する一方、dentity-Adaptive Coordinate Warping (DACW) は軸方向のアンカー分布に応じて特徴列座標を再パラメータ化し、非均一な幾何学的サンプリングと均一なグリッドパラメータ化のミスマッチを緩和する。 UAV-Arc4D, VisDrone, UAVDTの実験により, AdaAnchor4Dはリアルタイムレンダリング性能を維持しつつ, 動的ガウス法よりも高いレンダリング品質を実現することが示された。 コードは公開されます。

関連論文リスト

• GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
  GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。 高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
  論文  参考訳（メタデータ） (2026-07-23T15:52:35Z)
• TG-Field: Geometry-Aware Radiative Gaussian Fields for Tomographic Reconstruction [16.246538335191982]
  Tomography Geometry Field (TG-Field) は、CT再構成のための幾何学的なガウス変形フレームワークである。 TG-Fieldは既存の手法を常に上回り、高度にスパース・ビュー条件下で最先端の復元精度を達成する。
  論文  参考訳（メタデータ） (2026-02-12T08:33:01Z)
• SV-GS: Sparse View 4D Reconstruction with Skeleton-Driven Gaussian Splatting [19.12278036176021]
  SV-GSは変形モデルと物体の動きを同時に推定するフレームワークである。 提案手法は,PSNRの34%までのスパース観測下での既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-01-01T09:53:03Z)
• Orientation-anchored Hyper-Gaussian for 4D Reconstruction from Casual Videos [26.642143303176997]
  OriGSは、カジュアルにキャプチャされたモノクロビデオから高品質な4D再構成を行うための新しいフレームワークだ。 まず、空間と時間にまたがる主要な前方方向を伝播するグローバルオリエンテーション場を推定する。 これに基づいて、時間、空間、幾何学、配向をコヒーレントな確率的状態に埋め込む統一的な定式化である、配向を意識したハイパーガウス的(Hyper-Gaussian)を提案する。
  論文  参考訳（メタデータ） (2025-09-27T20:43:43Z)
• STD-GS: Exploring Frame-Event Interaction for SpatioTemporal-Disentangled Gaussian Splatting to Reconstruct High-Dynamic Scene [54.418259038624406]
  既存の手法ではフレームカメラのシーンと直接一致させるために統一表現モデル(例えばガウシアン)を採用している。 しかし、この統一パラダイムは、フレームの特徴と背景とオブジェクト間の不連続な空間的特徴により、オブジェクトの潜在的時間的特徴に失敗する。 本研究では,フレームカメラを補うイベントカメラを導入し,高ダイナミックなシーン再構成のための時分割型ガウススプレイティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-29T09:32:06Z)
• 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)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)

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。