時間経過に伴う3Dガウス分布予測によるトラッキングPaper#Computer Vision🔬 Research|分析: 2026年1月3日 16:27•公開: 2025年12月27日 06:16•1分で読める•ArXiv分析本論文は、ビデオ表現学習のための新しい自己教師ありアプローチ、Video-GMAEを提案しています。その核心は、ビデオを時間経過とともに移動する3Dガウススプラットのセットとして表現することです。この帰納的バイアスにより、モデルは意味のある表現を学習し、印象的なゼロショットトラッキング性能を達成できます。KineticsおよびKubricデータセットにおける大幅な性能向上は、提案手法の有効性を強調しています。重要ポイント•ビデオ表現学習のための自己教師ありアプローチ、Video-GMAEを提案。•ビデオを移動する3Dガウススプラットとして表現。•強力なゼロショットトラッキング性能を達成。•KineticsおよびKubricデータセットで大幅な性能向上。•プロジェクトページとコードが公開されています。引用・出典原文を見る"Mapping the trajectory of the learnt Gaussians onto the image plane gives zero-shot tracking performance comparable to state-of-the-art."AArXiv2025年12月27日 06:16* 著作権法第32条に基づく適法な引用です。古い記事ManchuTTS: Towards High-Quality Manchu Speech Synthesis via Flow Matching and Hierarchical Text Representation新しい記事Show HN: Hyperbrowser MCP Server – Connect AI agents to the web through browsers関連分析Paper選択ポリシーを用いた協調型人型ロボット操作2026年1月3日 06:10Paper未ポーズ画像からの即時3Dシーン編集2026年1月3日 06:10Paper将来予測のためのLLMフォアキャスティング2026年1月3日 06:10原文: ArXiv