Split4D：无需视频分割的分解4D场景重建

Paper#Computer Vision, 4D Scene Reconstruction🔬 Research|分析: 2026年1月3日 19:39•
发布: 2025年12月28日 02:37
•
1分で読める
•ArXiv

分析

本文解决了4D场景重建的挑战，避免了对不稳定的视频分割的依赖。它引入了Freetime FeatureGS和流式特征学习策略来提高重建精度。核心创新在于使用具有可学习特征和运动的Gaussian基元，结合对比损失和时间特征传播，以实现4D分割和卓越的重建结果。
引用 / 来源
查看原文
"The key idea is to represent the decomposed 4D scene with the Freetime FeatureGS and design a streaming feature learning strategy to accurately recover it from per-image segmentation maps, eliminating the need for video segmentation."
A
ArXiv2025年12月28日 02:37
* 根据版权法第32条进行合法引用。
较旧

Full-bandwidth, continuous, and grayscale 3D nanolithography via line-illumination temporal focusing of ultrafast lasers

较新

Bridging Global Intent with Local Details: A Hierarchical Representation Approach for Semantic Validation in Text-to-SQL

相关分析

Paper

基于选择策略的协调人形机器人操作

2026年1月3日 06:10

Paper

从未对齐图像即时进行3D场景编辑

2026年1月3日 06:10

Paper

用于未来预测的LLM预测

2026年1月3日 06:10

来源: ArXiv