論文の概要: Dusting the Phantom: Gaussian Allocation for Fading Dynamic Content

• arxiv url: http://arxiv.org/abs/2610.21302v1
• Date: Thu, 15 Oct 2026 05:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.205996
• Title: Dusting the Phantom: Gaussian Allocation for Fading Dynamic Content
• Title（参考訳）: ファントムのダスティング:動的コンテンツをフェードするためのガウス的アロケーション
• Abstract要約: キーは表現能力そのものではなく、プリミティブが割り当てられた場所と場所である、と我々は主張する。 既存のアロケーション戦略は現在のガウスの場所に依存しており、しばしば移転先を見落としている。 複数のデータセットにまたがる実験では、特に非常にダイナミックな領域において、再構築の質が向上し、小さく、素早く動くオブジェクトがきめ細かな外観の詳細を回復した。
• 参考スコア（独自算出の注目度）: 38.302215599152426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic Gaussian representations have made high-quality, real-time volumetric video increasingly practical, yet challenging motion can still break their reconstruction: small fast-moving objects may disappear, and fine textures in highly dynamic regions are often lost. In particular, simply training longer or using more Gaussians may still fail to recover small, fast-moving objects. We argue that the key bottleneck is not representational capacity itself, but where and when Gaussian primitives are allocated. Existing allocation strategies rely on current Gaussian locations and often overlook the spatiotemporal destinations of relocated Gaussians. To address these limitations, we introduce two complementary strategies. First, Seed Injection identifies under-reconstructed dynamic regions using temporal appearance changes and reconstruction errors, and initializes new Gaussians at geometrically plausible 3D locations through multi-view observations, independent of existing Gaussian locations. Second, Temporal Biased Relocation uses time-resolved optimization signals to guide the spatiotemporal placement of relocated Gaussians. Both strategies maintain a fixed Gaussian budget without modifying the underlying representation. Experiments across multiple dynamic-scene datasets demonstrate improved reconstruction quality, particularly in highly dynamic regions, recovering small, rapidly moving objects and fine-grained appearance details.
• Abstract（参考訳）: ダイナミックガウスの表現は、高品質でリアルタイムなボリュームビデオの実用性がますます高まっているが、しかし難しい動きは、その再構築を損なう可能性がある: 小さな高速移動物体が消え、非常にダイナミックな領域の細かいテクスチャが失われる。 特に、より長くトレーニングしたり、より多くのガウシアンを使用するだけでは、小さな、素早く動くオブジェクトを回復できない可能性がある。 主要なボトルネックは表現能力そのものではなく、ガウス原始体が割り当てられた場所と場所である。 既存の割り当て戦略は現在のガウスの場所に依存しており、しばしば移動したガウス人の時空間的な目的地を見落としている。 これらの制限に対処するために,2つの補完戦略を導入する。 まず、シードインジェクションは、時間的外観変化と再構成誤差を用いて、再構成されていない動的領域を特定し、既存のガウスの場所とは独立な多視点観測により、幾何学的にもっともらしい3D位置で新しいガウスを初期化する。 第2に、時間分解された最適化信号を用いて、移動したガウスの時空間配置を導出する。 どちらの戦略も、基礎となる表現を変更することなく、固定されたガウス予算を維持している。 複数の動的シーンデータセットに対する実験では、特に非常にダイナミックな領域において、再構築の品質が向上し、小さく、素早く動くオブジェクトときめ細かい外観が復元された。

関連論文リスト

• SparseStreet: Sparse Gaussian Splatting for Real-Time Street Scene Simulation [51.0854010622997]
  既存の方法は細部を捉えるために大量のガウス原始体を必要とする。 SparseStreetはストリートシーンに特化して設計された汎用圧縮フレームワークである。 本手法は, 動的物体の形状と外観を効果的に保存し, ガウス原始体の総数を大幅に削減する。
  論文  参考訳（メタデータ） (2026-06-02T17:06:14Z)
• FreeTimeGS: Free Gaussian Primitives at Anytime and Anywhere for Dynamic Scene Reconstruction [64.30050475414947]
  FreeTimeGSはガウスのプリミティブを任意の時間と位置で表示できる新しい4D表現である。 我々の表現は強い柔軟性を持ち、ダイナミックな3Dシーンをモデル化する能力を向上させる。 いくつかのデータセットに対する実験結果から,本手法のレンダリング品質は,最近の手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-05T17:59:57Z)
• Efficient Gaussian Splatting for Monocular Dynamic Scene Rendering via Sparse Time-Variant Attribute Modeling [64.84686527988809]
  Deformable Gaussian Splattingは、現実世界のダイナミックなシーンを表現する堅牢なソリューションとして登場した。 提案手法は,古典的カーネル表現を用いて計算された密度ガウスの運動流を用いて,スパースアンカーグリッド表現を用いて動的シーンを定式化する。 2つの実世界のデータセットの実験により、EDGSはレンダリング速度を大幅に改善し、より優れたレンダリング品質を実現しています。
  論文  参考訳（メタデータ） (2025-02-27T18:53:06Z)
• 4D Gaussian Splatting with Scale-aware Residual Field and Adaptive Optimization for Real-time Rendering of Temporally Complex Dynamic Scenes [19.24815625343669]
  SaRO-GSはリアルタイムレンダリングを実現する新しい動的シーン表現である。 時間的に複雑な動的シーンを扱うために,スケールアウェアなResidual Fieldを導入する。 我々の手法は最先端の性能を実証した。
  論文  参考訳（メタデータ） (2024-12-09T08:44:19Z)
• 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)

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。