論文の概要: SMG: Semantic Motion Graph for Monocular Dynamic Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2608.31023v1
- Date: Mon, 31 Aug 2026 16:06:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.498342
- Title: SMG: Semantic Motion Graph for Monocular Dynamic Gaussian Splatting
- Title（参考訳）: SMG:単分子動的ガウススプレイティングのためのセマンティックモーショングラフ
- Abstract要約: 単眼ビデオからの動的ガウススプラッティングについて検討する。
提案するセマンティック・モーション・グラフ(SMG)は,ガウス運動を低ランクなセマンティック・モーションとしてモデル化する手法である。
SMGは、挑戦的な実世界のベンチマークにまたがる単分子動的ガウススプラッティングにおける最先端の性能を達成する。
- 参考スコア（独自算出の注目度）: 38.701129917214146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study dynamic Gaussian Splatting from monocular videos. While recent advancements in dynamic Gaussian splatting offer a promising foundation for modeling dynamic scenes, they often overfit to the training views and fail under occlusion or complex scene motion due to the lack of reliable regularization signals in under-constrained regions. We propose Semantic Motion Graph (SMG), a novel approach models the Gaussian motion as the low-rank semantic motion. Our key insight is that the real-world scene motion is often structured by semantic coherence: regions that are spatially close and semantically related tend to exhibit consistent dynamics. To leverage this prior, we construct SMG to model structured motion of the scene. The Gaussian motion is driven by the motion of SMG nodes. We further observe that the uncertainty of Gaussian motion arises from both unreliable off-the-shelf priors and weakly constrained regions during optimization. SMG addresses this by using reliable graph nodes to guide the motion of nearby unreliable nodes. To evaluate dynamic Gaussian splatting under challenging real-world scenarios, we introduce a new multiview dataset collected under an ego-exo setup. Extensive experiments demonstrate that SMG achieves state-of-the-art performance on monocular dynamic Gaussian splatting across challenging real-world benchmarks. Project page: https://smg-gaussian.github.io/.
- Abstract（参考訳）: モノクラービデオから動的ガウス散乱を研究する。
ダイナミック・ガウス・スプレイティングの最近の進歩は、ダイナミック・シーンをモデリングするための有望な基盤を提供するが、しばしばトレーニング・ビューに過度に適合し、制約の低い地域では信頼できる正規化信号が欠如しているため、閉塞や複雑なシーン・モーションの下で失敗する。
本稿では,低ランクなセマンティックモーションとしてガウス運動をモデル化したセマンティックモーショングラフ(SMG)を提案する。
我々の重要な洞察は、現実世界のシーンの動きは、しばしば意味的コヒーレンスによって構成されるということだ。
これを活用するために,シーンの構造的動きをモデル化するためのSMGを構築した。
ガウス運動はSMGノードの運動によって駆動される。
さらに、最適化において、ガウス運動の不確実性は、信頼できないオフザシェルフ前処理と弱い制約のある領域の両方から生じることを観察する。
SMGは、信頼できるグラフノードを使用して、近くの信頼できないノードの動きをガイドすることでこの問題に対処する。
実世界の挑戦的なシナリオ下での動的ガウススプラッティングを評価するために,エゴエクソ設定の下で収集された新しいマルチビューデータセットを導入する。
大規模な実験により、SMGは、挑戦的な実世界のベンチマークを横断する単分子動的ガウススプラッティングにおける最先端の性能を実証した。
プロジェクトページ: https://smg-gaussian.github.io/
関連論文リスト
- RiGS: Rigid-aware 4D Gaussian Splatting from a Single Monocular Video [38.8840959968641]
我々は,複数の時間スケールにわたる動きを同時にキャプチャするRiGS(Rigid-aware 4D Gaussian Splatting)を提案する。
RiGSは、新しいビュー合成ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-22T14:20:39Z) - Space-Time Forecasting of Dynamic Scenes with Motion-aware Gaussian Grouping [47.282424020983996]
MoGaF は 4D Gaussian Splatting 表現に基づいて構築された長期シーン外挿のためのフレームワークである。
軽量な予測モジュールは将来の動きを予測し、現実的で時間的に安定したシーンの進化を可能にする。
合成および実世界のデータセットの実験により、MoGaFはレンダリング品質、運動可視性、長期予測安定性において、既存のベースラインを一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-25T08:04:07Z) - ParticleGS: Particle-Based Dynamics Modeling of 3D Gaussians for Prior-free Motion Extrapolation [9.59448024784555]
本稿では,粒子力学系に基づく新しい動的3次元ガウススプラッティングの事前自由運動外挿フレームワークを提案する。
観測されたフレーム列に単純に適合するのではなく、ガウス粒子力学系をより効果的にモデル化することを目的としている。
実験により,提案手法は再現作業における既存手法と同等のレンダリング品質を実現することを示した。
論文 参考訳（メタデータ） (2025-05-26T17:46:35Z) - Motion Blender Gaussian Splatting for Dynamic Scene Reconstruction [32.64620619764744]
Motion Blender Gaussian Splatting (MBGS)は、動きグラフを明示的でスパースな動き表現として利用する新しいフレームワークである。
MBGSは、非常に挑戦的なiPhoneデータセットで最先端のパフォーマンスを達成する。
本稿では,新しいオブジェクトのポーズをアニメーション化し,実際のロボットのデモを合成し,視覚的計画を通じてロボットの動作を予測する手法の適用可能性を実証する。
論文 参考訳（メタデータ） (2025-03-12T03:55:16Z) - Efficient Gaussian Splatting for Monocular Dynamic Scene Rendering via Sparse Time-Variant Attribute Modeling [64.84686527988809]
Deformable Gaussian Splattingは、現実世界のダイナミックなシーンを表現する堅牢なソリューションとして登場した。
提案手法は,古典的カーネル表現を用いて計算された密度ガウスの運動流を用いて,スパースアンカーグリッド表現を用いて動的シーンを定式化する。
2つの実世界のデータセットの実験により、EDGSはレンダリング速度を大幅に改善し、より優れたレンダリング品質を実現しています。
論文 参考訳（メタデータ） (2025-02-27T18:53:06Z) - MotionGS: Exploring Explicit Motion Guidance for Deformable 3D Gaussian Splatting [56.785233997533794]
我々はMotionGSと呼ばれる新しい変形可能な3次元ガウススプレイティングフレームワークを提案する。
MotionGSは3Dガウスの変形を導くために、前もって明示的な動きを探索する。
モノラルなダイナミックシーンの実験では、MotionGSが最先端の手法を超越していることが確認された。
論文 参考訳（メタデータ） (2024-10-10T08:19:47Z) - Dynamic Gaussian Marbles for Novel View Synthesis of Casual Monocular Videos [58.22272760132996]
既存の4次元ガウス法は単分子配置が制約されていないため、この設定で劇的に失敗することを示す。
単分子配置の難易度を目標とした3つのコア修正からなる動的ガウス大理石を提案する。
Nvidia Dynamic ScenesデータセットとDyCheck iPhoneデータセットを評価し,Gaussian Marblesが他のGaussianベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2024-06-26T19:37:07Z) - GaussianPrediction: Dynamic 3D Gaussian Prediction for Motion Extrapolation and Free View Synthesis [71.24791230358065]
動的シーンモデリングと将来のシナリオ合成により,3次元ガウス表現を実現する新しいフレームワークを提案する。
GaussianPredictionは、ダイナミックなシーンのビデオ観察を使用して、あらゆる視点から将来の状態を予測できる。
本フレームワークは,合成データセットと実世界のデータセットの両方で優れた性能を示し,将来の環境の予測とレンダリングの有効性を示す。
論文 参考訳（メタデータ） (2024-05-30T06:47:55Z)
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。