論文の概要: FillGS: Filling Observation Gaps in 4D Gaussian Splatting via Viewpoint-Time Selection and Generative Refinement
- arxiv url: http://arxiv.org/abs/2607.29284v1
- Date: Fri, 31 Jul 2026 10:57:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.696348
- Title: FillGS: Filling Observation Gaps in 4D Gaussian Splatting via Viewpoint-Time Selection and Generative Refinement
- Title（参考訳）: FillGS:視点時間選択による4次元ガウス切削における観察ギャップの充満
- Abstract要約: 仮想視点を積極的に選択して4DGS再構成を改善するパイプラインを提案する。
提案手法は, 4次元ガウスのレンダリング感度と動き認識観測密度に基づいて, 生成性向上のための仮想視点を選択する。
その結果,定性評価と定量的評価の両面で,事前の視点選択戦略と微調整法よりも一貫した改善が見られた。
- 参考スコア（独自算出の注目度）: 31.18671805058467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 4D Gaussian Splatting (4DGS) can render dynamic scenes photorealistically. However, with limited viewpoint coverage, some spatiotemporal regions remain sparsely observed, leading to artifacts, particularly in scenes with large motion. Existing approaches leveraging generative models rely on heuristic virtual-viewpoint selection before refining rendered views. As a result, they cannot actively explore such sparsely observed regions. To address this issue, we propose a pipeline that actively selects spatiotemporal virtual viewpoints to improve 4DGS reconstruction. Our method selects virtual viewpoints for generative enhancement based on the rendering sensitivity and motion-aware observation density of 4D Gaussians, prioritizing views that alleviate observation sparsity. In the refined images, we filter out regions that conflict with captured observations or are likely to contain generative artifacts and then fine-tune 4DGS using only the reliable regions. We evaluate our method on multi-view video benchmarks using new train/test splits designed to induce observation gaps. Results show consistent improvements over prior viewpoint selection strategies and fine-tuning methods in both qualitative and quantitative evaluations, while reducing artifacts.
- Abstract（参考訳）: 4D Gaussian Splatting (4DGS)は、ダイナミックなシーンをフォトリアリスティックにレンダリングすることができる。
しかし、視野範囲が限られているため、一部の時空間領域は緩やかに観察され、特に大きな動きのあるシーンでは人工物に繋がる。
生成モデルを活用する既存のアプローチは、レンダリングビューを精製する前にヒューリスティックな仮想視点選択に依存している。
結果として、彼らは希少に観察された領域を積極的に探索することができない。
この問題に対処するため,時空間的視点を積極的に選択して4DGS再構成を改善するパイプラインを提案する。
提案手法は, 4次元ガウスのレンダリング感度と動き認識観測密度に基づいて, 再現性向上のための仮想視点を選択する。
改良された画像では、捕獲された観測結果と矛盾する領域をフィルタリングし、生成物を含む可能性が高い領域を抽出し、信頼性のある領域のみを用いて微細な4DGSを抽出する。
観測ギャップを誘導する新しい列車/テストスプリットを用いたマルチビュービデオベンチマークにおいて,本手法の評価を行った。
その結果, 定性評価と定量的評価の両面で, 事前の視点選択戦略と微調整法に対して一貫した改善が得られた。
関連論文リスト
- Towards Alias-Free 4D Gaussian Representations with Motion-Aware Filtering [6.502142457981839]
4次元表現に特化して設計された動き認識型3次元平滑化フィルタを提案する。
提案手法は局所的な動き情報に基づいてフィルタ強度に適応し,レンダリング品質を損なうことなくエイリアスを効果的に緩和する。
標準データセットに対する評価は,最先端手法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2026-08-22T07:55:38Z) - Split4D: Decomposed 4D Scene Reconstruction Without Video Segmentation [76.21162972133534]
我々は、Freetime FeatureGSで分解された4Dシーンを表現する。
画像ごとのセグメンテーションマップから正確に復元するためのストリーミング機能学習戦略を設計する。
いくつかのデータセットに対する実験結果から,提案手法の再現性は近年の手法よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2025-12-28T02:37:12Z) - Extreme Views: 3DGS Filter for Novel View Synthesis from Out-of-Distribution Camera Poses [3.007949058551534]
トレーニングデータ分布の外にカメラ位置から3Dガウススプラッティング(3DGS)モデルを見る場合、かなりの視覚ノイズが発生することが一般的である。
本稿では,この問題に対処する新しいリアルタイムレンダリング対応フィルタリング手法を提案する。
提案手法は,既存のNeRF(Neural Radiance Field)ベースのアプローチと比較して,視覚的品質,リアリズム,一貫性を著しく向上する。
論文 参考訳（メタデータ） (2025-10-22T21:09:16Z) - ExploreGS: Explorable 3D Scene Reconstruction with Virtual Camera Samplings and Diffusion Priors [37.455535904703204]
本稿では3DGSをベースとしたパイプラインを提案し,再現性を高めるための追加のトレーニングビューを生成する。
細調整された3Dガウスの視界は、再建の質を著しく向上させる。
実験により,本手法は既存の3DGS法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-08-08T05:01:17Z) - PointGS: Point Attention-Aware Sparse View Synthesis with Gaussian Splatting [4.451779041553596]
3D Gaussian splatting (3DGS) は、レンダリング速度と視覚品質の両方において、ニューラル放射場(NeRF)を超える革新的なレンダリング技術である。
本稿では,スパーストレーニングビューからリアルタイムかつ高品質なレンダリングを可能にするポイントワイズ特徴認識型ガウス分割フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-12T04:07:07Z) - Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。
Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2025-05-27T05:17:49Z) - Deblur4DGS: 4D Gaussian Splatting from Blurry Monocular Video [55.704264233274294]
ぼやけたモノクロ映像から高品質な4Dモデルを再構成するためのDeblur4DGSを提案する。
我々は露光時間内の連続的動的表現を露光時間推定に変換する。
Deblur4DGSは、新規なビュー合成以外にも、複数の視点からぼやけたビデオを改善するために応用できる。
論文 参考訳（メタデータ） (2024-12-09T12:02:11Z) - NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。
我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
論文 参考訳（メタデータ） (2024-11-25T07:57:17Z) - GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。
我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。
いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-11-18T08:18:44Z) - 4D Gaussian Splatting in the Wild with Uncertainty-Aware Regularization [43.81271239333774]
そこで本研究では,カジュアルに記録されたモノクロビデオから動的シーンを動的に撮影する4DGSアルゴリズムを提案する。
提案手法は,ハンドヘルドモノクラーカメラで撮影した映像から4DGS再構成の性能を向上することを示す。
論文 参考訳（メタデータ） (2024-11-13T18:56:39Z) - Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering [71.44349029439944]
最近の3次元ガウス散乱法は、最先端のレンダリング品質と速度を達成している。
局所的な3Dガウス分布にアンカーポイントを用いるScaffold-GSを導入する。
提案手法は,高品質なレンダリングを実現しつつ,冗長なガウスを効果的に削減できることを示す。
論文 参考訳（メタデータ） (2023-11-30T17:58:57Z)
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。