3D Gaussian Splatting に関する報道

この研究では、動的 3D ガウス スプラッシュの変形フィールドを、決定論的な CfC ユニットからノイズ項を追加する SDE バージョンに拡張します。液体ニューラル ネットワークの確率論的な堅牢性を維持するためにトレーニング中にガウス摂動が注入され、推論コストは変化しません。以前の純粋に決定論的な閉形式ソリューションと比較して、これは破棄されたランダム項を補償し、連続時間モデリングを液体ネットワークの元の設計に近づけます。

ReconSplat は、中間表現として 3D ガウス スプラッターを使用するフィードフォワード 3D シーン再構成モデ​​ルで、マルチビュー潜在拡散モデルと組み合わせて、リファイナーとリペアラーの両方として機能し、変分 3D 潜在特徴を使用して拡散プロセスをガイドして幾何学的一貫性を強化します。未観察領域の生成と幾何学的一貫性の間でトレードオフがある以前の再構成方法と比較して、幾何学的に位置合わせされた新しいビューと正確な深度推定を同時に生成することを目的としています。

FractureFields は、破砕後も単一のオイラー速度場を使用するガウス物質点法 (Gaussia-MPM) パイプラインによって引き起こされるフラグメント間の運動量漏れの問題を解決するために、フラグメントごとに独立した質量/運動量フィールドを構築し、それらを個別に進める接触認識型の伝達方法を提案します。以前の単一グリッド フィールドと比較して、この方法では単一の P2G で個別のフィールドの構築が完了し、残留接着と非物理的伸縮が排除されます。これは、物理的に統合された 3D ガウス シミュレーションにより、破壊シナリオにおけるトポロジカル適応動的精度の向上を達成できることを意味します。ただし、この論文は arXiv のプレプリントであり、まだ公開された評価データはありません。