論文の概要: Amortized Anchor Refinement for Deployable Continuous-Time 4D Gaussian Reconstruction

• arxiv url: http://arxiv.org/abs/2608.30218v1
• Date: Mon, 31 Aug 2026 04:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.216507
• Title: Amortized Anchor Refinement for Deployable Continuous-Time 4D Gaussian Reconstruction
• Title（参考訳）: 連続4次元ガウス再建術におけるAmortized Anchor Refinement
• Abstract要約: 本稿では、凍結したバックボーンを用いて初期ガウス表現を予測し、固定された計算予算の下でそれを専門化するための短い最適化を行うAmortized Anchor Refinementを提案する。 トレーニングなしの段階は、位相的に永続的な構造を保ちながら不安定なガウス人に永続的なホモロジー制約を適用し、その結果の軌跡をシーンフローとして直接ストリームする。 Stage-Captureベンチマークでは、Amortized Anchor Refinement 24.31$pm$2.22dBに対して、当社のデプロイメント実験では、単一のコンシューマGPU上でターゲット予算内での再構築とスタンドアロンのXRヘッドセットでの再生を実証しています。
• 参考スコア（独自算出の注目度）: 4.427158247966621
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous-time 4D reconstruction remains impractical on standalone XR headsets. Per-scene optimization demands deployment-infeasible compute, and lower budgets cause collapse rather than degrade gradually. Feed-forward prediction is fast, but struggle to recover scene-specific detail. We present Amortized Anchor Refinement, which uses a frozen backbone to predict an initial Gaussian representation and a short optimization to specialize it under a fixed compute budget, with a capacity floor preserving representational density. A training-free stage then applies a persistent-homology constraint to prune unstable Gaussians while preserving topologically persistent structures, and streams the resulting trajectories directly as scene flow. On the Stage-Capture benchmark, Amortized Anchor Refinement achieves 24.31$\pm$2.22dB, while our deployment experiments demonstrate reconstruction within the target budget on a single consumer GPU and playback on a standalone XR headset.
• Abstract（参考訳）: 連続4D再構成はスタンドアロンのXRヘッドセットでは実用的ではない。 シーンごとの最適化では、デプロイ不要な計算が要求される。 フィードフォワード予測は高速だが、シーン固有の詳細を回復するのに苦労する。 本稿では, 凍結したバックボーンを用いて初期ガウス表現を予測し, 計算予算の固定化のために, キャパシティフロアで表現密度を保ち, 短時間の最適化を行うAmortized Anchor Refinementを提案する。 トレーニングなしの段階は、位相的に永続的な構造を保ちながら不安定なガウス人に永続的なホモロジー制約を適用し、その結果の軌跡をシーンフローとして直接ストリームする。 Stage-Captureベンチマークでは,Amortized Anchor Refinementが24.31$\pm$2.22dBを達成した。

関連論文リスト

• EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
  EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。 提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
  論文  参考訳（メタデータ） (2026-08-09T09:00:30Z)
• Cascade-KDE: Robust Time-Series Restoration under Out-of-Distribution Impulse Corruptions [3.4633810891614267]
  産業センサ、医療、エネルギーシステムにおける実世界の時系列データは、しばしばガウスノイズの混合によって破壊される。 破損した時系列のトレーニングフリー復元フレームワークCascade-KDEを提案する。
  論文  参考訳（メタデータ） (2026-05-22T00:59:56Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• AIR: Amortized Image Reconstruction Framework for Self-Supervised Feed-Forward 2D Gaussian Splatting [21.638608939423673]
  2次元ガウススプラッティングは、画像再構成のための効率的な明示的表現を提供する。 既存の手法では、画像毎のイテレーティブな最適化や、プリミティブなアロケーションのために手作りのプリミティブに依存する必要がある。 本稿では,1つのネットワークパスに反復的なガウスフィッティングを記憶する自己教師型フィードフォワードフレームワークであるAIRについて紹介する。
  論文  参考訳（メタデータ） (2026-05-20T07:17:22Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Derived Fields Preserve Fine-Scale Detail in Budgeted Neural Simulators [5.24655241578805]
  厳格なストレージ予算の下では, 搬送状態設計が主要なボトルネックとなることがよく示される。 我々は、どの物理フィールドが運ばれるか、どのようにストレージ予算が割り当てられるかを選択する一般的な状態設計フレームワークを定式化する。 以上の結果から, 輸送状態設計はアーキテクチャ, 損失, ロールアウト戦略とともに, 第一級の設計軸として扱われるべきであることが示唆された。
  論文  参考訳（メタデータ） (2026-03-31T03:43:28Z)
• ReCoSplat: Autoregressive Feed-Forward Gaussian Splatting Using Render-and-Compare [53.16118137855849]
  本稿では,自動回帰フィードフォワードガウススプラッティングモデルであるReCoSplatについて述べる。 コードと事前訓練されたモデルがリリースされる。
  論文  参考訳（メタデータ） (2026-03-10T17:58:08Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)

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。