論文の概要: SplashSplat: Reconstructing Splashing Liquids from Real-World Multi-View Videos
- arxiv url: http://arxiv.org/abs/2609.20818v1
- Date: Thu, 17 Sep 2026 17:59:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.430583
- Title: SplashSplat: Reconstructing Splashing Liquids from Real-World Multi-View Videos
- Title（参考訳）: SplashSplat: 現実世界のマルチビュービデオからスラッシュする液体を再構築する
- Abstract要約: 我々は、60fpsで7つの同期4Kカメラで撮影され、ビューごとの液体とコンテナマスクを手動で調整し、一定の評価分割を施した20の実際のシーンのベンチマークを紹介した。
次に、ひとつの原則に基づいて構築されたSplashSplatを紹介します。
SplashSplatは、実際のキャプチャーと合成ベンチマークで最先端の動的ガウススプラッティング法より優れており、身体的により可塑性な動きと低コストである。
- 参考スコア（独自算出の注目度）: 105.03092787882979
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A splash lives for a fraction of a second: sheets tear into ligaments and droplets, appearance is view-dependent and nearly textureless, and little persists long enough to track. Reconstruction research has consequently focused on smoke, synthetic liquids, or gently deforming surfaces. To our knowledge, no synchronized multi-view dataset of splashing liquids exists. We therefore introduce a benchmark of 20 real scenes, from coherent streams to violent splashes, captured by seven synchronized, calibrated 4K cameras at 60 fps, with manually refined per-view liquid and container masks and fixed evaluation splits. We further present SplashSplat, built on a single principle: impose physical structure only where the observations can constrain it. Per-frame liquid SDFs fused from the masks provide the geometry, level-set transport between consecutive SDFs yields a coarse velocity field, and Lagrangian carriers advected along this flow, corrected against each new observation and reseeded where coverage is lost, decode local Gaussians for differentiable rendering. SplashSplat outperforms state-of-the-art dynamic Gaussian splatting methods on our real captures and on a synthetic benchmark, with physically more plausible motion and a lower training cost. The same representation supports temporal interpolation and style transfer without re-optimization.
- Abstract（参考訳）: シートが靭帯や液滴に裂け落ち、外観はビューに依存しており、テクスチャがほとんどなく、追跡するのに十分な長さしか持たない。
その結果、復元研究は煙、合成液体、または穏やかに変形する表面に焦点を当てた。
我々の知る限り、発散する液体の同期マルチビューデータセットは存在しない。
そこで,コヒーレントストリームから暴力的なスプラッシュまで,20の実際のシーンのベンチマークを導入し,60fpsで7台の同期4Kカメラをキャリブレーションした。
さらに1つの原則に基づいて構築されたSplashSplatについて述べる。
マスクから溶かされたフレーム当たりのSDFは、幾何、連続するSDF間のレベルセットの輸送により粗い速度場が得られ、ラグランジアンキャリアは、この流れに沿って対流し、新しい観測に対して修正され、カバーが失われる箇所で再送され、局所ガウスアンを識別可能なレンダリングのためにデコードする。
SplashSplatは、実際のキャプチャーと合成ベンチマークで最先端の動的ガウススプラッティング法より優れており、身体的により可視な動きとトレーニングコストの低減が図られている。
同じ表現は、再最適化なしで時間的補間とスタイル転送をサポートする。
関連論文リスト
- Physics-Grounded Fluid Video Generation with a Simulation Dataset and Dual-Stream Optical-Flow Supervision [78.04385989413382]
ビデオ拡散モデルは視覚的に魅力的な内容を生成するが、流体にまつわる基礎物理学に規則的に違反する。
我々は1,638MPMを模擬した注水/スロッシングビデオと2,320のキーワードフィルターによる実注水ビデオを組み合わせた物理シミュレーション流体データセットを構築した。
予め訓練された拡散フィルタビデオジェネレータ上に構築されたデュアルストリーム映像合成アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-07-28T06:13:18Z) - MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - RT-Splatting: Joint Reflection-Transmission Modeling with Gaussian Splatting [30.977979059213776]
RT-Splatting(RT-Splatting)は、ガウスの幾何学的占有を光学的不透明度から切り離すフレームワークである。
我々のハイブリッド・ファクター化は、この表現を、高周波数反射を捉えるための表面と、透明な透過を維持するための体積の両方として解釈する。
挑戦的な半透明シーンの実験では、RT-Splattingは最先端のパフォーマンスを実現し、高忠実なリフレクションとリアルタイムレンダリングによるクリアトランスミッションを実現している。
論文 参考訳（メタデータ） (2026-05-18T12:00:00Z) - DualSplat: Robust 3D Gaussian Splatting via Pseudo-Mask Bootstrapping from Reconstruction Failures [11.192603832832212]
3D Gaussian Splatting (3DGS) はリアルタイムレンダリングを実現するが、トレーニング画像が過渡物体を含む場合、その性能は著しく低下する。
正確な過渡検出にはよく再構成された静的なシーンが必要であり、クリーンな再構築自体は信頼できる過渡マスクに依存している。
この課題に対処するDualSplatは、第1パスの再構築障害を第2の再構築ステージの明示的な事前処理に変換する、フェール・ツー・プリアーのフレームワークである。
論文 参考訳（メタデータ） (2026-04-23T12:50:13Z) - RAFT-MSF++: Temporal Geometry-Motion Feature Fusion for Self-Supervised Monocular Scene Flow [51.43025173196566]
単眼のシーンフロー推定は画像列から高密度な3次元動きを復元することを目的としている。
RAFT-MSF++は,時間的特徴を融合して深度とシーンフローを推定する自己教師型マルチフレームフレームワークである。
実験の結果、RAFT-MSF++はKITTI Scene Flowベンチマークで24.14%のSF-allを達成した。
論文 参考訳（メタデータ） (2026-04-21T11:32:49Z) - ViewSplat: View-Adaptive Dynamic Gaussian Splatting for Feed-Forward Synthesis [10.752176613697912]
ビュー適応型3次元ガウススプラッティングネットワークであるViewSplatについて述べる。
ViewSplatは高速な推論とリアルタイムレンダリングを維持しつつ,最先端の忠実度を実現していることを示す。
論文 参考訳（メタデータ） (2026-03-26T10:03:44Z) - Reward Forcing: Efficient Streaming Video Generation with Rewarded Distribution Matching Distillation [69.57572900337176]
本稿では,効率的なストリーミングビデオ生成のための新しいフレームワークであるReward Forcingを紹介する。
EMA-Sinkトークンは、長期コンテキストと最近のダイナミクスの両方をキャプチャし、初期フレームコピーを防ぐ。
Re-DMDは、視覚言語モデルにより評価されたより大きなダイナミックスを持つサンプルを優先順位付けすることで、モデル出力分布を高逆領域にバイアスする。
論文 参考訳（メタデータ） (2025-12-04T11:12:13Z) - MiVID: Multi-Strategic Self-Supervision for Video Frame Interpolation using Diffusion Model [2.9795035162522194]
この記事では、ビデオレンダリングのための軽量で自己監督型の拡散ベースのフレームワークであるMiVIDを紹介する。
本モデルでは,3次元U-Netバックボーンとトランスフォーマスタイルの時間的注意を組み合わせることで,明示的な動き推定の必要性を解消する。
この結果から,MiVIDは50エポックしか得られず,教師付きベースラインと競合することがわかった。
論文 参考訳（メタデータ） (2025-11-08T14:10:04Z) - HoliGS: Holistic Gaussian Splatting for Embodied View Synthesis [59.25751939710903]
本稿では,長い単眼RGBビデオのエンボディドビュー合成に対処する,変形可能なガウススプラッティングフレームワークを提案する。
提案手法は,非可逆ガウス散乱変形ネットワークを利用して大規模動的環境を正確に再構築する。
その結果、現実のシナリオにおけるEVSの実用的でスケーラブルなソリューションが浮かび上がっています。
論文 参考訳（メタデータ） (2025-06-24T03:54:40Z) - SplatVoxel: History-Aware Novel View Streaming without Temporal Training [29.759664150610362]
スパースビュー映像からの新たなビューストリーミングの問題について検討する。
既存のビュー合成手法は、時間的コヒーレンスと視覚的忠実さに苦慮している。
本稿では,ハイブリッド型スプラ・ボクセルフィードフォワードシーン再構築手法を提案する。
論文 参考訳（メタデータ） (2025-03-18T20:00:47Z)
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。