論文の概要: SurgGMF: Fully Causal Gaussian Motion Forecasting for Anticipatory Surgical Scene Rendering

• arxiv url: http://arxiv.org/abs/2609.34733v1
• Date: Mon, 28 Sep 2026 09:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 03:21:36.77563
• Title: SurgGMF: Fully Causal Gaussian Motion Forecasting for Anticipatory Surgical Scene Rendering
• Title（参考訳）: SurgGMF : 予想的手術シーンレンダリングのための完全因果性ガウス運動予測
• Abstract要約: SurgGMFは完全に因果的なガウス運動予測フレームワークである。 ニューラル時間学習器と古典力学ベースラインを用いた12のEndoNeRFおよびStereoMISビデオスライス上でのSurgGMFの評価を行った。 学習されたガウス運動予測は、レンダリング空間における古典力学の基底線を一貫して上回る。
• 参考スコア（独自算出の注目度）: 1.2719327447589344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic surgical scene modeling is essential for robotic perception, simulation, and decision support. Although existing neural rendering methods enable efficient reconstruction and rendering of deformable surgical scenes, they remain primarily focused on observed-frame reconstruction rather than forecasting future scene states. To this end, we present SurgGMF, a fully causal Gaussian motion forecasting framework for anticipatory surgical scene rendering. Rather than predicting future RGB images directly, SurgGMF forecasts future Gaussian motion states represented by position, scale, and rotation residuals (X/S/R) from historical Gaussian motion fields. To prevent target leakage, we introduce a full-causal-last rendering protocol, where future Gaussian states are rendered without accessing target-frame Gaussian attributes while preserving causal appearance propagation. We evaluate SurgGMF on 12 EndoNeRF and StereoMIS video slices using neural temporal learners and classical dynamics baselines under a unified forecasting protocol. Learned Gaussian motion forecasting consistently outperforms classical dynamics baselines in render space, demonstrating gains beyond hand-crafted state extrapolation. Latency analysis further reveals an accuracy--efficiency trade-off: under the current implementations, TKAN achieves the highest accuracy, whereas GRU and LSTM provide more favorable module-level latency profiles. These results establish SurgGMF as a reproducible framework for causal Gaussian motion forecasting and advance surgical Gaussian representations from retrospective reconstruction toward predictive scene modeling.
• Abstract（参考訳）: 動的手術シーンモデリングはロボットの知覚、シミュレーション、意思決定支援に不可欠である。 既存のニューラルレンダリング手法は、変形可能な手術シーンの効率的な再構築とレンダリングを可能にするが、将来のシーン状態を予測するのではなく、観察フレームの再構築に重点を置いている。 そこで本研究では, ガウス運動予測フレームワークであるSurgGMFについて述べる。 将来のRGB画像を直接予測するのではなく、SurgGMFは、歴史的ガウス運動場から位置、スケール、回転残差(X/S/R)で表される将来のガウス運動状態を予測している。 ターゲットの漏洩を防止するために,将来のガウス状態は因果の出現伝搬を保ちつつ,ターゲットフレームのガウス属性にアクセスすることなくレンダリングされるフルカウスラストレンダリングプロトコルを導入する。 本研究では,12のEndoNeRFおよびStereoMISビデオスライス上でのSurgGMFの評価を行う。 学習されたガウス運動予測は、レンダリング空間における古典力学の基底線を一貫して上回り、手作りの状態外挿以上の利得を示す。 現在の実装では、TKANが最も精度が高いのに対して、GRUとLSTMはより好ましいモジュールレベルのレイテンシプロファイルを提供する。 これらの結果は,SurgGMFを因果的ガウス運動予測のための再現可能な枠組みとして確立し,再現的再現から予測的シーンモデリングへ向けて外科的ガウス表現を前進させる。

関連論文リスト

• SMG: Semantic Motion Graph for Monocular Dynamic Gaussian Splatting [38.701129917214146]
  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。
  論文  参考訳（メタデータ） (2026-08-31T16:06:18Z)
• 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)
• 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)
• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• High-Dynamic Radar Sequence Prediction for Weather Nowcasting Using Spatiotemporal Coherent Gaussian Representation [12.728487182462157]
  天気予報における3次元レーダシークエンス予測のための包括的フレームワークを提案する。 動的レーダ表現には新たに提案したスペーシコヒーレント・ガウシアン・スプレイティング(STC-GS)と,効率的かつ正確な予測にはガウマンバを用いる。 実験により,STC-GSは既存の3次元表現法と比較して16時間以上の空間分解能を持つ3次元レーダシーケンスを効率よく表現できることが示された。
  論文  参考訳（メタデータ） (2025-02-17T19:00:02Z)
• DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
  本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。 複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T05:49:16Z)
• 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)
• CoMusion: Towards Consistent Stochastic Human Motion Prediction via Motion Diffusion [6.862357145175449]
  本稿では,単一段階の終端拡散型HMPフレームワークであるCoMusionを提案する。 CoMusionは、スムーズな将来のポーズ予測性能が空間予測性能を改善するという洞察から着想を得ている。 提案手法はTransformer-GCNモジュール設計と分散スケジューラによって促進され,精度,現実性,一貫した動作を予測する。
  論文  参考訳（メタデータ） (2023-05-21T19:31:56Z)

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。