4d Gaussian Splatting
PulseAugur coverage of 4d Gaussian Splatting — every cluster mentioning 4d Gaussian Splatting across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架ReferGaussian可在动态4D场景中实现基于语言的分割
研究人员推出R4DGS，一项使用高斯溅射在动态4D场景中进行指代分割的新任务和框架。这种名为ReferGaussian的方法将低级动态高斯转换为可语言寻址的实体。它利用多模态大语言模型将复杂查询分解为可追踪的对象短语和结构化指代约束，从而在无需场景特定语义优化的前提下实现约束感知地面化。在R4D-Bench-QA基准和4D LangSplat协议上的实验表明，时间目标选择和时空地面化得到了改进。
-
新方法利用物理先验重建风驱动植被
研究人员开发了一种新的方法，用于在单目视频中重建风驱动的植被，解决了沿视线方向的不可观察运动和缺乏静态参考点的挑战。该方法用物理参数化的变形先验替换了直接学习的变形场，为每个刚性部分使用了阻尼谐振子。该先验使用可微分的RK4方法进行积分，并通过光度法进行监督，旨在恢复运动，而不仅仅是优化光度一致性。虽然该方法在未见过的风速下显示出改进的时间外推和性能，但其代价是在分布内视图上的外观保真度下降，并且参数恢复，特别是阻尼的恢复，仍然较弱。
-
日本IZUTSUYA公司使用4D高斯溅射技术从单个视频进行3D人物重建
来自日本的公司IZUTSUYA开发了一种名为4D高斯溅射的新渲染技术。该方法仅使用一个固定的智能手机视频，即可创建移动中人物的完整360度3D模型。该技术甚至可以预测人物背部的外观，为生成数字替身提供了更便捷的方式。
-
新的DIAL-GS方法改进了自动驾驶的3D街景重建
研究人员开发了DIAL-GS，一种使用4D高斯溅射重建街景的新方法。该技术旨在通过更好地区分静态和动态元素以及单个动态对象来提高自动驾驶应用的3D表示的准确性。DIAL-GS通过识别外观-位置不一致的动态实例并采用实例感知的4D高斯来实现这一点，从而增强了重建场景的完整性和一致性。
-
4DAnyone 使用新颖的扩散技术从单个视频中重建4D人物
研究人员开发了4DAnyone，一个能够从单个、未校准的视频中重建三维人物模型的创新框架。该系统生成一致的多视图视频，然后将其转换为4D高斯溅射表示。为了解决众多视图之间扩展和保持一致性的挑战，4DAnyone采用了参考上下文打包来压缩参考视图，并采用目标上下文路由来促进去噪过程中不同视图组之间的信息交换。
-
新研究推进3D高斯泼溅的效率和应用
近期关于3D高斯泼溅的研究正在探索高效表示和处理复杂3D场景的方法。论文介绍了无相机剪枝、分层上下文聚合以及从稀疏视图中选择对象等技术。此外，在动态场景重建、通信的环境感知波束成形以及在线场景的流式3D高斯泼溅方面也取得了进展。
-
新的TSOG格式为4D高斯泼溅提供90%的文件大小缩减
研究人员推出了时空有序高斯（TSOG），这是一种专为高效表示4D高斯泼溅（4DGS）内容而设计的新型格式。TSOG通过引入时间轴属性以及几何和外观的时间参数化来扩展现有框架，使其能够处理动态场景。这种有损格式与现有的PLY序列和FreeTimeGS等方法相比，实现了显著的文件大小缩减（据报道超过90%），同时质量损失极小。
-
新方法在无外部掩码的情况下分割四维高斯场景
研究人员开发了 Intrinsic-GS，一种新颖的方法，可以在不依赖外部二维掩码或学习特征的情况下分割动态四维高斯溅射场景。该方法从外观、方向和变形轨迹等内在场景线索构建亲和力图，然后使用 Leiden 社区检测对其进行划分。Intrinsic-GS 在 Neu3D 和 HyperNeRF 等基准测试中表现强劲，实现了具有竞争力的分割精度，同时在速度上显著优于掩码监督方法，并减少了对可能不可靠的外部掩码的依赖。
-
4D高斯泼溅法从平面图像重建3D数据
研究人员开发了一种名为4D高斯泼溅法（4D Gaussian Splatting）的技术，可以从平面图像重建3D空间数据。该方法允许从标准视频素材创建三维表示。这项进展为空间数据重建和可视化提供了新的可能性。
-
Sensor2Sensor 将行车记录仪视频转换为 AV 传感器数据
研究人员开发了 Sensor2Sensor，这是一种新的生成建模方法，可将野外行车记录仪视频转换为适合自动驾驶系统的结构化、多模态传感器数据。该方法利用公开可用视频素材的巨大规模和多样性，解决了专有数据集有限的挑战。Sensor2Sensor 利用扩散架构和 4D 高斯溅射技术，从单目视频生成逼真的多视图摄像头图像和 LiDAR 点云，从而为 AV 开发解锁了新的数据源。
-
MoGaF框架使用运动感知高斯分组进行动态场景预测
研究人员开发了一个名为运动感知高斯预测（MoGaF）的新框架，用于预测动态场景的未来演变。该方法利用4D高斯泼溅表示结合运动感知高斯分组，以确保不同区域之间物理上一致的运动。与现有方法相比，MoGaF旨在提高长期预测稳定性和渲染质量。