Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
GaussianSpline은 적응형 비균일 조각별 3차 베지어 스플라인을 사용하여 동적 4D Gaussian Splatting 방법을 제시합니다. 이 방법은 개별 가우시안의 움직임을 모델링하기 위해 제어점과 시간적 분할을 공동으로 학습합니다. 이를 통해 복잡하고 역동적인 장면에서도 고충실도의 재구성을 가능하게 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기우리는 적응형 비균일 조각별(piecewise) 3차 베지어 스플라인을 사용하여 개별 가우시안의 움직임을 모델링하는 동적 4D Gaussian Splatting 방법인 GaussianSpline을 제시합니다. 전역 변형(global deformations), 고정 차수 다항식(fixed-order polynomials) 또는 균일하게 매개변수화된 스플라인을 기반으로 하는 접근 방식과 달리, GaussianSpline은 각 가우시안의 궤적에 대한 베지어 제어점(Bézier control points)과 시간적 분할(temporal partition)을 공동으로 학습합니다. 이 적응형 표현 방식은 고도로 역동적인 영역에는 더 큰 시간적 용량(temporal capacity)을 할당하는 동시에 거의 정적인 영역에서는 간결한 궤적을 유지하여, 복잡하고 빠르게 변화하는 움직임의 고충실도 재구성을 가능하게 합니다. 전역적으로 부드러운 움직임과 국소적 적응성을 동시에 달성하기 위해, 우리는 제어점(control points)에 대한 반사 기반 제약 조건(reflection-based constraint)을 사용하여 연속적인 베지어 세그먼트 간의 $G^1$ 연속성(continuity)을 강제합니다. 이는 비균일 시간 매개변수화(non-uniform temporal parameterization)의 유연성을 보존하면서도 부드럽고 완전히 미분 가능한(fully differentiable) 궤적을 생성합니다. Neural 3D Video 벤치마크, Google Immersive 데이터셋 및 합성 장면에서의 실험은 GaussianSpline이 고도로 비균일하고 까다로운 역학을 가진 장면에서 재구성 품질을 크게 향상시키며, 일반적인 동적 장면에서는 최첨단(state-of-the-art) 4D Gaussian Splatting 방법과 비교하여 경쟁력 있는 성능을 유지함을 입증합니다.