TRiGS: スケーラブルな4Dガウススプラッティングのための時間的剛体運動
arXiv cs.CV / 2026/4/2
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、既存の4Dガウススプラッティング手法がしばしば区分的な線形速度と短い時間窓を用いるため、時間的な断片化と、原始（プリミティブ）の再生成の反復が生じると主張している。
- SE(3)変換によってプリミティブの剛体運動をモデル化し、階層的なベジエ残差と学習可能な局所アンカーを組み合わせた、統一的な連続4D表現TRiGSを提案する。
- プリミティブの時間的アイデンティティを連続的に保持することで、TRiGSはガウスの増殖を抑え、メモリの無制限な成長を緩和し、スケーラビリティを向上させる。
- 実験により、TRiGSは高忠実なレンダリングを実現し、深刻なメモリボトルネックなしに、より長いシーケンス（報告値で約600〜1200フレーム）へスケールできることが示されており、時間的安定性の面で先行手法よりも優れている。
