論文の概要: MoRE-GS: Motion-Regime Experts for Future Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2611.00375v1
• Date: Fri, 30 Oct 2026 20:58:11 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:02:02.119054
• Title: MoRE-GS: Motion-Regime Experts for Future Gaussian Splatting
• Title（参考訳）: MoRE-GS:未来ガウス投石の専門家
• Abstract要約: MoRE-GSはダイナミックな3Dガウスシーンを予測するための因果的、レンダリング対応フレームワークである。 コンパクトなルーティングテーブルは、ソフトモーショングループと予測水平ビンにまたがるエキスパート混合物を割り当てる。 D-NeRFとHyperNeRFのシーン全体で、MoRE-GSは他の手法と比較して性能が向上した。
• 参考スコア（独自算出の注目度）: 2.363388546004777
• License:
• Abstract: Future dynamic novel-view synthesis requires extrapolating multiple motion regimes within the same scene. A single dynamics model may not simultaneously represent stationary regions, coordinated motion, local interactions, and articulated trajectories. We introduce Motion Regime Expert Routing for Gaussian Splatting (MoRE-GS), a causal, render-aware framework for forecasting dynamic 3D Gaussian scenes. MoRE-GS freezes a Gaussian representation reconstructed exclusively from the observed temporal prefix and forecasts its control-keypoint motion using four complementary experts: persistence, a coefficient-space Transformer, a graph convolutional network, and a structured Transformer with rigid and non-rigid motion constraints. A compact routing table assigns expert mixtures across soft motion groups and forecast-horizon bins, while a persistence gate suppresses unreliable extrapolation. Across D-NeRF and HyperNeRF scenes, MoRE-GS achieves improved performance against other methods, and these results demonstrate that renderer-calibrated composition of complementary motion predictors improves causal dynamic Gaussian forecasting across heterogeneous motion regimes. Project page: https://advanced-vision-and-learning-lab.github.io/MoRE-GS-website/
• Abstract（参考訳）: 将来の動的ノベルビュー合成では、同じシーン内で複数のモーションレギュレーションを外挿する必要がある。 単一の力学モデルでは、静止領域、協調運動、局所的相互作用、明瞭な軌跡を同時に表現することはできない。 ダイナミックな3Dガウスシーンを予測するための因果的・レンダリング対応のフレームワークであるMoRE-GS(MoRE-GS)について紹介する。 MoRE-GSは、観測された時間的接頭辞からのみ再構成されたガウス表現を凍結し、その制御キーポイント運動を、永続性、係数空間変換器、グラフ畳み込みネットワーク、剛性および非剛性運動制約のある構造化トランスフォーマーの4つの相補的な専門家を用いて予測する。 コンパクトなルーティングテーブルは、ソフトモーショングループと予測水平ビンをまたいだエキスパート混合物を割り当て、パーシステンスゲートは信頼性の低い外挿を抑制する。 D-NeRF と HyperNeRF のシーン全体で,MoRE-GS は他の手法と比較して性能が向上し,この結果から,相補的な動き予測器のレンダラ校正合成が異種運動系全体の因果動的ガウス予測を改善することが示された。 プロジェクトページ:https://advanced-vision-and-learning-lab.github.io/MoRE-GS-website/

関連論文リスト

• SurgGMF: Fully Causal Gaussian Motion Forecasting for Anticipatory Surgical Scene Rendering [1.2719327447589344]
  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。
  論文  参考訳（メタデータ） (2026-09-28T09:31:12Z)
• 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)
• Following Motion for Sequential Modeling in Video Frame Interpolation [22.71397762551783]
  状態空間モデル(SSM)はビデオフレーム補間(VFI)において有望なアーキテクチャとして浮上した 本稿では,ビデオフレーム補間(MGMVFI)のためのモーションガイドマンバを提案する。
  論文  参考訳（メタデータ） (2026-08-24T06:43:48Z)
• 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)
• 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)
• Periodic Vibration Gaussian: Dynamic Urban Scene Reconstruction and Real-time Rendering [49.36767999382054]
  周期振動ガウスモデル(PVG)を提案する。 PVGは、当初静的シーン表現のために設計された効率的な3Dガウススプラッティング技術に基づいている。 PVGは、最良の代替品よりも900倍の速度でレンダリングできる。
  論文  参考訳（メタデータ） (2023-11-30T13:53:50Z)
• 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)
• MotionRNN: A Flexible Model for Video Prediction with Spacetime-Varying Motions [70.30211294212603]
  本稿では,空間と時間の両方に連続する時空変動を予測できる新たな次元からビデオ予測を行う。 本研究では,動きの複雑な変動を捉え,時空変化に適応できるMotionRNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-03T08:11:50Z)

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。