GP-4DGS：モノキュラービデオから変分ガウス過程による確率的4Dガウススプラッティング

arXiv cs.CV / 2026/4/6

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

GP-4DGS は、4D Gaussian Splatting に Gaussian Processes を統合し、動的シーンを「決定論的」ではなく確率的に扱うための新しいフレームワークを提案している。
GPs のカーネルに基づく確率性を活用することで、動き予測の不確実性推定、観測が欠ける/疎な領域でのモーション推定、観測フレーム外への時間外挿を可能にする。
4DGS の多数の Gaussian プリミティブに対して計算スケールするために、変形場の相関を捉える時空間カーネルと、誘導点を用いた variational Gaussian Processes による推論の工夫を導入している。
実験では再構成品質の向上とともに、動きの曖昧さが高い領域を効果的に特定できる信頼できる不確実性推定が示されている。

Abstract

動的シーンに対する原理的な確率モデリングのために、ガウス過程（GP）を4Dガウススパッティング（4DGS）へ統合する新しい枠組みであるGP-4DGSを提案します。既存の4DGS手法は決定論的な再構成に焦点を当てていますが、運動の曖昧さを捉えることには本質的に限界があり、予測の信頼性を評価する仕組みも欠けています。GPのカーネルベースの確率的性質を活用することで、我々のアプローチは3つの主要な機能を導入します: （i）運動予測のための不確実性推定、（ii）観測されていない、または疎にサンプリングされた領域に対する運動推定、（iii）観測された学習フレームを超える時間外挿です。4DGSに含まれる多数のガウス原始へGPをスケールさせるために、変形場の相関構造を捉える時空間カーネルを設計し、推論を扱いやすくするための誘導点を用いた変分ガウス過程を採用します。実験の結果、GP-4DGSは再構成品質を向上させるだけでなく、高い運動の曖昧さを持つ領域を効果的に特定する、信頼できる不確実性推定も提供することが示されました。これらの課題に取り組むことで、本研究は確率モデリングとニューラル・グラフィックスを橋渡しする上で意味のある一歩を踏み出します。