論文の概要: Racing in Volume with Flow Ensembles

• arxiv url: http://arxiv.org/abs/2609.16310v1
• Date: Mon, 14 Sep 2026 20:18:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.23256
• Title: Racing in Volume with Flow Ensembles
• Title（参考訳）: フローアンサンブル付きボリュームのレース
• Abstract要約: FastFlowGSは、固定された外部カメラの小さなセットから高速で動く被写体を再構築するストリーミング手法である。 モナコ4Dは高速な屋外改造のベンチマークである。
• 参考スコア（独自算出の注目度）: 45.39245713312922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streaming 4D reconstruction has been demonstrated only indoors, on dense camera rigs surrounding subjects that move at human pace. Outdoor 4D reconstruction exists but relies either on cameras mounted on the moving vehicle itself, or on limited-coverage arrays observing quasi-static subjects offline. The case that actually matters for spectators is a fast-moving subject, watched from a sparse ring of allocentric cameras, streaming. No method targets this, and no benchmark exists to evaluate one. To this end, we introduce FastFlowGS, a streaming 4D Gaussian Splatting method for reconstructing fast-moving subjects from a small set of fixed external cameras, and Monaco4D, a photorealistic Unreal Engine 5 benchmark for high-speed outdoor reconstruction. FastFlowGS fuses sparse matches, semi-dense tracks, and dense optical flow by lifting each signal to 3D with geometric uncertainty and combining them through a Kalman-style temporal update. Monaco4D provides Formula 1 sequences under varied illumination from trackside, onboard, and drone viewpoints with dense ground truth. On CMU-Panoptic, FastFlowGS exceeds the strongest baseline by 12.6% VMAF at 35% greater efficiency. On Monaco4D, where existing streaming methods degrade severely, it improves dynamic-region PSNR by up to 18.6% with 28.3% lower per-frame optimization time. Dataset and additional details can be found at https://humansensinglab.github.io/monaco4d/.
• Abstract（参考訳）: 4Dリコンストラクションのストリーミングは、人間のペースで動く被写体を取り囲む高密度のカメラリグでのみ実証されている。 屋外の4Dリコンストラクションは存在するが、移動車両自体に搭載されたカメラ、または準静電被写体をオフラインで観察する限定被覆アレイに頼っている。 観客にとって本当に重要なケースは、全方位カメラのまばらなリングから見る、速い動きの主題で、ストリーミングだ。 対象とするメソッドはなく、評価するベンチマークも存在しない。 この目的のために,FastFlowGSは,少数の固定外付けカメラから高速移動物体を再構成するストリーミング4Dガウス・スプラッティング法であり,モナコ4Dは高速屋外再構成のためのフォトリアリスティックなUnreal Engine 5ベンチマークである。 FastFlowGSは、それぞれの信号を幾何学的不確実性を持って3Dに上げ、カルマンスタイルの時間的更新を通じて組み合わせることで、スパースマッチ、半密度トラック、高密度光流を融合させる。 Monaco4Dは、トラックサイド、オンボード、そして地上の真実を密集したドローンの視点から、様々な照明の下でF1のシーケンスを提供する。 CMU-Panopticでは、FastFlowGSが12.6%のVMAFを35%の効率で上回っている。 既存のストリーミング方式が大幅に劣化したMonaco4Dでは、動的領域PSNRを最大18.6%改善し、フレーム毎の最適化時間を28.3%短縮した。 データセットと追加の詳細はhttps://humansensinglab.github.io/monaco4d/.com/で確認できる。

関連論文リスト

• Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation [63.04937864192328]
  Instant NuRecはフィードフォワード型ニューラルリコンストラクションモデルで、短いマルチビュー駆動ログを1つの前方パスで3次元の世界に変換する。 このモデルはカメラリグからのマルチビュー入力を受け取り、静的および動的3DGS層、スカイキューブマップ、およびカメラごとのISP補正からなる層出力を出力する。 約1.5秒で10-20秒のマルチカメラシーンを再構成し、最も評価の高いベースラインより2.01dBのPSNRを達成する。
  論文  参考訳（メタデータ） (2026-07-15T17:50:23Z)
• OmniX: Any-view and Any-time 4D Reconstruction via Feed-forward Trajectory Fields [69.80996430631079]
  OmniXというフィードフォワードの4D再構成フレームワークを提案し、大きなカメラモーションを持つビデオから各ピクセルの高密度な3D点軌跡を推定する。 3次元運動のスパース構造とローランク構造を利用して、これらのトークンはグローバルな相互作用を効率的に保ちながら、全画像にわたる全画素の軌跡場を生成する。
  論文  参考訳（メタデータ） (2026-07-12T17:05:18Z)
• 4D Reconstruction from Sparse Dynamic Cameras [32.72043828725801]
  我々は、少数のカメラが同じ被写体を撮影する、スパース・ダイナミック・カメラ・セットアップ(sparse dynamic camera set)という別の実用的な方法に焦点を当てている。 このセットアップは多視点制約を導入し、スポーツ、コンサート、テレビ番組などの実世界のビデオ制作に実用的であり続けている。 LetCamsGoは、3台の独立して動くカメラと1台の固定カメラによって記録された4つの異なる環境に5つのシーケンスが並んだ、新しい現実世界のビデオデータセットである。
  論文  参考訳（メタデータ） (2026-06-03T08:31:43Z)
• 4DSloMo: 4D Reconstruction for High Speed Scene with Asynchronous Capture [24.726556096560618]
  本稿では,低FPSカメラのみを用いた高速4D撮影システムを提案する。 カメラをグループ化してベースフレームレートを25FPSとすることで,高速度カメラを必要としない100-200FPSのフレームレートを実現する。
  論文  参考訳（メタデータ） (2025-07-07T16:18:35Z)
• Easi3R: Estimating Disentangled Motion from DUSt3R Without Training [69.51086319339662]
  Easi3Rは,4次元再構成のための簡易かつ効率的なトレーニングフリー手法である。 提案手法は,事前学習やネットワークファインチューニングの必要性を排除し,推論中の注意適応を適用した。 実世界のダイナミックビデオの実験では、従来の最先端手法よりも軽量な注意適応が著しく優れていたことが示されている。
  論文  参考訳（メタデータ） (2025-03-31T17:59:58Z)
• Driv3R: Learning Dense 4D Reconstruction for Autonomous Driving [116.10577967146762]
  マルチビュー画像シーケンスからフレーム単位のポイントマップを直接回帰するフレームワークであるDriv3Rを提案する。 我々は4次元フロー予測器を用いてシーン内の移動物体を識別し、これらの動的領域の再構築をより重視する。 Driv3Rは4D動的シーン再構築において従来のフレームワークより優れており、推論速度は15倍高速である。
  論文  参考訳（メタデータ） (2024-12-09T18:58:03Z)
• NeRFPlayer: A Streamable Dynamic Scene Representation with Decomposed Neural Radiance Fields [99.57774680640581]
  本稿では、高速な再構成、コンパクトなモデリング、およびストリーム可能なレンダリングが可能な効率的なフレームワークを提案する。 本稿では, 時間特性に応じて4次元空間を分解することを提案する。4次元空間の点は, 静的, 変形, および新しい領域の3つのカテゴリに属する確率に関連付けられている。
  論文  参考訳（メタデータ） (2022-10-28T07:11:05Z)

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。