論文の概要: PUGS: Physics-Guided Uncertainty Modeling for Underwater Dynamic 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.17936v1
• Date: Tue, 13 Oct 2026 08:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 08:04:32.922563
• Title: PUGS: Physics-Guided Uncertainty Modeling for Underwater Dynamic 3D Gaussian Splatting
• Title（参考訳）: PUGS:水中動的3次元ガウス平滑化のための物理誘導不確かさモデリング
• Abstract要約: Dynamic 3D Gaussian Splatting (3DGS) は動的シーン再構築のための効率的なフレームワークを提供する。 本研究では,水中3DGSのための物理誘導型不確実性モデルPUGSを提案する。 水中の動的データセットと物理対応ベンチマークの実験は、優れたレンダリング品質、時間的一貫性、再構築を示す。
• 参考スコア（独自算出の注目度）: 25.575980723332496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic 3D Gaussian Splatting (3DGS) provides an efficient framework for dynamic scene reconstruction. Most existing approaches model scene dynamics with deterministic deformation fields, assuming each Gaussian follows a distinct geometric trajectory over time. This assumption breaks down underwater, where light scattering, refraction, marine snow and low visibility create substantial physical ambiguity in captured images. We present PUGS, a physics-guided uncertainty model for underwater dynamic 3DGS. PUGS learns inherent uncertainty induced by underwater image formation and leverages it as a physical signal for dynamic scene modeling. Rather than estimating a single deterministic displacement, it parameterizes each Gaussian's motion as a probability distribution with expected deformation and physical uncertainty. We adopt stochastic deformation optimization to sample Gaussian trajectories via local reparameterization, exploring multiple physically plausible solutions during training. We further propose uncertainty stochastic annealing and a dual-path self-consistency distillation objective, converting stochastic exploration to deterministic reconstruction while preserving temporal coherence. Extensive experiments on underwater dynamic datasets and physics-aware benchmarks demonstrate superior rendering quality, temporal consistency and reconstruction robustness. Our method achieves 1.16 dB PSNR gain over the strongest baseline on UVEB and 3.99 dB on DRUVA.
• Abstract（参考訳）: Dynamic 3D Gaussian Splatting (3DGS) は動的シーン再構築のための効率的なフレームワークを提供する。 既存のほとんどのアプローチは、決定論的変形場を持つシーンダイナミクスをモデル化し、各ガウスが時間とともに異なる幾何学的軌跡に従うと仮定する。 この仮定は水中で分解され、光散乱、屈折、海洋性雪、視界の低さが撮影画像の物理的な曖昧さを生じさせる。 本研究では,水中3DGSのための物理誘導型不確実性モデルPUGSを提案する。 PUGSは水中画像形成によって引き起こされる固有の不確実性を学習し、動的シーンモデリングのための物理信号として利用する。 単一の決定論的変位を推定するのではなく、期待される変形と物理的不確実性を伴う確率分布として各ガウス運動をパラメータ化する。 局所的なパラメータ化によりガウス軌道の標本化に確率的変形最適化を適用し、訓練中に複数の物理的に妥当な解を探索する。 さらに, 時間的コヒーレンスを維持しつつ, 確率的探索を決定論的再構成に変換する, 不確実性確率的アニーリングと二重経路自己整合蒸留の目的を提案する。 水中の動的データセットと物理対応ベンチマークに関する大規模な実験は、優れたレンダリング品質、時間的一貫性、復元堅牢性を示している。 提案手法は,UVEBで最強のベースライン,DRUVAで3.99dBで1.16dBのPSNRゲインを達成する。

関連論文リスト

• PhysLDM: Latent Diffusion for High-Fidelity Deformable Simulation [24.780393603746884]
  本稿では,一体積変形型シミュレーションのための統合潜時VAEであるPhysLDMを紹介する。 その中核は、標準的な時間圧縮の「ステップアーティファクト」を避ける、全体論的決定論的時間的VAEである。 我々は、カオスデータから効果的に学習する潜在拡散モデルを用いて、物理的に可算な軌道を生成する。
  論文  参考訳（メタデータ） (2026-10-06T01:53:56Z)
• PhysiFormer: Learning to Simulate Mechanics in World Space [56.16644631495]
  物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。 世界座標で表される3Dメッシュとしてオブジェクトを表す。 これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-06-25T17:59:00Z)
• i-PhysGaussian: Implicit Physical Simulation for 3D Gaussian Splatting [60.46736489360263]
  i-PhysGaussian は 3D Gaussian Splatting (3DGS) と暗黙のMaterial Point Method (MPM) を結合するフレームワークである。 明示的な方法とは異なり、我々の解は運動量-平衡残差を最小化することでステップの終了状態を得る。 結果は、i-PhysGaussianは明示的なベースラインよりも最大20倍の時間ステップで安定性を維持することを示した。
  論文  参考訳（メタデータ） (2026-02-19T06:38:35Z)
• Physics-Informed Deformable Gaussian Splatting: Towards Unified Constitutive Laws for Time-Evolving Material Field [31.2769262836663]
  本研究では物理インフォームド・デフォルマブル・ガウス・スティング(PIDG)を提案する。 具体的には,静的非結合な4Dハッシュ符号化を用いて,形状と動きを効率的に再構成する。 さらに、ラグランジアン粒子流とカメラ補償光流とを合わせることでデータの適合を監督し、収束を加速し、一般化を改善する。
  論文  参考訳（メタデータ） (2025-11-09T09:35:03Z)
• 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)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)

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。