論文の概要: DynThinker: Unifying Static 3D and Dynamic 4D Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2610.20598v1
• Date: Wed, 14 Oct 2026 17:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.300375
• Title: DynThinker: Unifying Static 3D and Dynamic 4D Spatial Reasoning
• Title（参考訳）: DynThinker:静的3Dと動的4D空間推論の統合
• Abstract要約: 汎用知能は静的3Dと動的4Dの統一的な理解を必要とする。 既存のモデルは両立に苦戦している。 DynThinkerは静的および動的空間推論を協調的に強化するためのフレームワークである。
• 参考スコア（独自算出の注目度）: 68.86868818568321
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Achieving general spatial intelligence requires a unified understanding of both static 3D and dynamic 4D. However, we find that existing models struggle to excel at both: 3D post-training can weaken dynamic understanding, while 4D-specialized models often lack strong static 3D reasoning. Our analysis reveals that this spatial--dynamic interference is highly non-uniform across parameter groups, with the balance between static and dynamic capabilities particularly sensitive to changes in late-layer MLPs. To address this interference, we propose DynThinker, a unified framework for jointly strengthening static and dynamic spatial reasoning. Decoupled Exponential Moving Average (D-EMA) applies configurable group-wise averaging to constrain drift in interference-sensitive pretrained parameters while preserving flexibility for capability enhancement. Spatial-Dynamic Fusion (SDF) complements D-EMA by selectively integrating spatial and temporal priors from a dynamic geometry encoder into intermediate VLM representations under semantic guidance. Across ten metrics spanning nine static 3D and dynamic 4D benchmarks, DynThinker achieves the highest average score among all evaluated models. Notably, DynThinker achieves 56.0 on ReVSI, 67.2 on DSR-Bench, and 51.2 and 40.1 under the sample-wise and group-wise evaluation protocols of DSI-Bench, respectively, setting new state-of-the-art results among the compared open-source models across all four evaluations within a unified model.
• Abstract（参考訳）: 一般的な空間知能を達成するには、静的3次元と動的4次元の両方を統一的に理解する必要がある。 3Dポストトレーニングは動的理解を弱めるが、4D特化モデルは強い静的な3D推論を欠くことが多い。 解析の結果,この空間力学的干渉はパラメータ群間では非均一であり,静的性と動的能力のバランスは特に後期層MLPの変化に敏感であることがわかった。 この干渉に対処するため,静的および動的空間推論を協調的に強化する統合フレームワークであるDynThinkerを提案する。 Decoupled Exponential moving Average (D-EMA) は、機能強化のための柔軟性を維持しつつ、干渉に敏感な事前学習パラメータのドリフトを抑えるために、構成可能なグループワイド平均化を適用している。 空間動的融合(SDF)は、動的幾何エンコーダから空間的および時間的先行を意味指導の下で中間的なVLM表現に選択的に統合することでD-EMAを補完する。 9つの静的3Dおよび動的4Dベンチマークにまたがる10のメトリクスで、DynThinkerはすべての評価モデルの中で最高の平均スコアを達成している。 特に、DynThinkerは、DSR-BenchのReVSI上で56.0、DSR-Bench上で67.2、DSI-Benchのサンプルワイドおよびグループワイド評価プロトコルで51.2と40.1を達成し、統一モデル内の4つの評価で比較したオープンソースモデルの中で、新しい最先端結果を設定する。

関連論文リスト

• Dynamic-Robust Photometric-Semantic Reconstruction for Open-Vocabulary 3D Scene Understanding [63.599342750566485]
  SPARは、潜在空間アグリゲーションの前に過渡的ダイナミックノイズを明示的に分離する新しい意味幾何学的エンコーディングアーキテクチャである。 エンド・ツー・エンドのアプローチは例外的な新規なビュー合成品質を実現し、PSNRは22.15dB、23.33dBでそれぞれ3と4の入力ビューしか与えられなかった。
  論文  参考訳（メタデータ） (2026-08-29T09:58:24Z)
• Multi4D: High-Fidelity Dynamic Gaussian Splatting via Multi-Level Competitive Allocation [11.135752651274663]
  高忠実度動的ガウススプラッティングのためのフレームワークであるMulti4Dを紹介する。 モデリング能力は静的構造,永続的動的幾何,過渡的外観プリミティブの3つのレベルに分散する。 このアロケーションは、細かなダイナミックディテールをキャプチャし、最先端のレンダリング品質とリアルタイムパフォーマンスを達成しながら、長期的な動きの一貫性を保っている。
  論文  参考訳（メタデータ） (2026-06-20T19:11:26Z)
• 4DVGGT-D: 4D Visual Geometry Transformer with Improved Dynamic Depth Estimation [38.64669047442234]
  そこで本研究では,静的から大まかに動的に切り離す学習自由なプログレッシブデカップリングフレームワークを提案する。 本手法は, 微調整を必要とせず, 頑健な4次元シーン再構成における競争性能を示す。
  論文  参考訳（メタデータ） (2026-05-12T12:13:36Z)
• Robust 4D Visual Geometry Transformer with Uncertainty-Aware Priors [38.939519059502025]
  再構成プロセスの異なる段階にわたる不確実性をモデル化し,動的および静的なコンポーネントをアンタングル化するフレームワークを提案する。 提案手法は平均精度の誤差を13.43%削減し,セグメント化F尺度を10.49%改善する。 我々のフレームワークはフィードフォワード推論の効率を維持しており、タスク固有の微調整やシーンごとの最適化は不要である。
  論文  参考訳（メタデータ） (2026-04-10T14:36:50Z)
• Motion4D: Learning 3D-Consistent Motion and Semantics for 4D Scene Understanding [54.859943475818234]
  基礎モデルからの2次元先行を統一された4次元ガウススプラッティング表現に統合する新しいフレームワークであるMotion4Dを提案する。 1) 局所的な一貫性を維持するために連続的に動き場と意味体を更新する逐次最適化,2) 長期的コヒーレンスのために全ての属性を共同で洗練するグローバル最適化,である。 提案手法は,ポイントベーストラッキング,ビデオオブジェクトセグメンテーション,新しいビュー合成など,多様なシーン理解タスクにおいて,2次元基礎モデルと既存の3Dベースアプローチの両方に優れる。
  論文  参考訳（メタデータ） (2025-12-03T09:32:56Z)
• Geometry-Consistent 4D Gaussian Splatting for Sparse-Input Dynamic View Synthesis [17.560425604804305]
  GC-4DGSは幾何学的整合性を4次元ガウススプラッティング(4DGS)に注入する新しいフレームワークである 幾何学的整合性を4次元ガウススプラッティング(4DGS)に注入する新しいフレームワークであるGC-4DGSを提案する。
  論文  参考訳（メタデータ） (2025-11-28T10:11:48Z)
• SDD-4DGS: Static-Dynamic Aware Decoupling in Gaussian Splatting for 4D Scene Reconstruction [21.822062121612166]
  SDD-4DGSは、ガウススプラッティングに基づく4次元シーン再構成のための最初のフレームワークである。 提案手法は,ガウス再建パイプラインに自然に統合された確率論的動的知覚係数に基づく。 5つのベンチマークデータセットの実験により、SDD-4DGSは復元忠実度において最先端の手法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） (2025-03-12T12:25:58Z)
• SC4D: Sparse-Controlled Video-to-4D Generation and Motion Transfer [57.506654943449796]
  動作と外観を分離するSC4Dという,効率的でスパース制御されたビデオ・ツー・4Dフレームワークを提案する。 我々の手法は、品質と効率の両面で既存の手法を超越している。 動作を多種多様な4Dエンティティにシームレスに転送する新しいアプリケーションを考案する。
  論文  参考訳（メタデータ） (2024-04-04T18:05:18Z)
• EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision [85.17951804790515]
  EmerNeRFは動的駆動シーンの時空間表現を学習するためのシンプルだが強力なアプローチである。 シーンの幾何学、外観、動き、セマンティクスを自己ブートストラップで同時にキャプチャする。 本手法はセンサシミュレーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-11-03T17:59:55Z)

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。