論文の概要: DimFlow: Bidirectional Grid-Expert Learning for Dynamic Gaussian Reconstruction
- arxiv url: http://arxiv.org/abs/2610.34952v1
- Date: Mon, 26 Oct 2026 07:20:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.784041
- Title: DimFlow: Bidirectional Grid-Expert Learning for Dynamic Gaussian Reconstruction
- Title（参考訳）: DimFlow:動的ガウス再構成のための双方向グリッド-エキスパート学習
- Abstract要約: DimFlowはマルチレゾリューショングリッドと座標ベースのエキスパートブランチの間の双方向インタラクションを通じて機能を学ぶフレームワークである。
39.73dBのPSNRを実現し、4D-GSを1.92dB改善し、85FPSレンダリング速度を達成している。
- 参考スコア（独自算出の注目度）: 0.08594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic Gaussian reconstruction requires compact scene features to support coordinated changes in geometry and appearance. A factorized grid provides efficient local queries, but accurate interpolation alone does not ensure that the resulting dynamic attributes remain compatible across space and time. We introduce DimFlow, a framework that learns these features through bidirectional interaction between a multi-resolution grid and a coordinate-based expert branch. Feature-level adversarial alignment connects their distributions, adaptive fusion transfers complementary information, and activation-masked residual feedback refines the grid during training. Four attribute experts organize deformation, rotation, opacity, and temporal information before Gaussian rendering. In the aggregate comparison across D-NeRF, HyperNeRF, and DAVIS, DimFlow achieves 39.73 dB PSNR, improving on 4D-GS by 1.92 dB while matching its reported 85 FPS rendering speed. The model occupies 18.9 MB, compared with 18.3 MB for 4D-GS. Component and attribute-expert ablations reveal complementary contributions from feature alignment, adaptive exchange, and temporal processing.
- Abstract（参考訳）: 動的ガウス変換は、幾何学と外観の協調的な変化をサポートするためにコンパクトなシーン特徴を必要とする。
因数分解グリッドは効率的な局所的なクエリを提供するが、正確な補間だけでは、結果の動的属性が空間と時間にわたって互換性を保つことが保証されない。
マルチレゾリューショングリッドと座標ベースのエキスパートブランチ間の双方向インタラクションを通じてこれらの特徴を学習するフレームワークであるDimFlowを紹介した。
特徴レベルの逆アライメントは、それらの分布を接続し、アダプティブ・フュージョン・トランスファーは相補的な情報を伝達し、アクティベーション・マザード・残差フィードバックは訓練中にグリッドを洗練させる。
4人の属性の専門家がガウスレンダリングの前に変形、回転、不透明、時間的情報を整理する。
D-NeRF、HyperNeRF、DAVISの総合比較では、DimFlowは39.73dBのPSNRを達成し、4D-GSでは1.92dB向上し、報告された85FPSレンダリング速度と一致している。
モデルは18.9MBで、4D-GSは18.3MBである。
コンポーネントと属性-専門家による改善は、機能アライメント、適応的な交換、時間的処理からの補完的な貢献を明らかにします。
関連論文リスト
- GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - AdaAnchor4D: Anchor-Conditioned Spatiotemporal Feature Aggregation for Monocular UAV 4D Reconstruction [101.60152142970547]
UAVビデオは複雑な都市のシーンを動的に再現するための貴重な観察を提供する。
異なる領域は時間的活動パターンに従い、ある動的変形領域の運動状態は時間とともにさらに進化する。
AdaAnchor4Dは単眼UAV動的シーン再構築のための適応アンカーフレームワークである。
論文 参考訳（メタデータ） (2026-07-30T14:55:06Z) - Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。
我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。
NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
論文 参考訳（メタデータ） (2026-05-11T09:21:04Z) - DUGAE: Unified Geometry and Attribute Enhancement via Spatiotemporal Correlations for G-PCC Compressed Dynamic Point Clouds [52.12923576880453]
本稿では,G時間動点雲に対する統合幾何・属性拡張フレームワーク(DUGAE)を提案する。
まず,疎相関に基づく動的幾何拡張ネットワーク(DGE-Net)を提案する。
次に、DA-KNN(DA-KNN)再符号化モジュールは、元の属性を拡張幾何にマッピングする。
論文 参考訳（メタデータ） (2026-03-27T08:54:34Z) - Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。
Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。
圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
論文 参考訳（メタデータ） (2025-09-18T03:51:06Z) - STQE: Spatial-Temporal Attribute Quality Enhancement for G-PCC Compressed Dynamic Point Clouds [52.435843736488145]
圧縮された動的点雲の視覚的品質を改善するために,空間的・時間的相関を利用した時空間属性品質向上(STQE)ネットワークを提案する。
私たちのコントリビューションには、参照属性情報を現在のフレーム形状に再マップして、フレーム間の正確なアライメントを実現する、リカラーベースのモーション補償モジュールが含まれています。
最新のG-PCCテストモデルに適用すると、STQEはデルタPSNRの0.855dB、0.682dB、0.828dBの改善を達成し、Bjontegaard Delta rate (BD-rate) は-25.2%、-31.6%、そして-。
論文 参考訳（メタデータ） (2025-07-23T14:03:54Z) - A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor
Imagery Classification [1.7465786776629872]
動的ドメイン適応型ディープラーニングネットワーク(DADL-Net)を提案する。
まず、脳波データを3次元幾何学空間にマッピングし、その時空間的特徴を3次元畳み込みモジュールを通して学習する。
精度は70.42%と73.91%で、OpenBMIとBCIC IV 2aデータセットで達成された。
論文 参考訳（メタデータ） (2023-09-21T01:34:00Z)
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。