Core Concepts
本手法は、3D形状情報を活用することで、より幾何学的に整合性のある3D変形モデリングを実現し、動的ビュー合成と3D動的再構築の性能を向上させる。
Abstract
本論文では、3D形状を考慮した変形可能なガウシアンスプラッティング手法を提案している。従来のニューラル放射輝度場(NeRF)ベースの手法は、3D形状情報を暗黙的に学習するため、得られる3D変形が必ずしも幾何学的に整合的ではなく、動的ビュー合成と3D動的再構築の性能が低下していた。
提案手法では、まず、3D Gaussianを用いて静的なシーンを表現するガウシアンカノニカルフィールドを構築する。その際、3D U-Netを用いて3D形状特徴を抽出し、変形学習に活用する。次に、変形フィールドにおいて、得られた形状特徴と入力時刻を用いて、各3D Gaussianの変形(位置、回転、スケール)を推定する。最後に、変形された3D Gaussianを用いて画像を合成する。
実験結果から、提案手法は合成・実データともに従来手法を大幅に上回る性能を示すことが確認できた。特に、3D形状情報を活用することで、より整合性の高い3D変形モデリングが可能となり、動的ビュー合成と3D動的再構築の性能が向上している。
Stats
3D Gaussianの位置、回転、スケールの変化量は、入力時刻と3D形状特徴から推定される。
変形推定の際、位置変化量は平均3.0、回転変化量は平均6.0、スケール変化量は平均3.0である。
合成シーンでは、動的領域の割合は全体の10%程度であり、変形の振幅も大きくない。
Quotes
"従来のニューラル放射輝度場(NeRF)ベースの手法は、3D形状情報を暗黙的に学習するため、得られる3D変形が必ずしも幾何学的に整合的ではない。"
"提案手法では、3D U-Netを用いて3D形状特徴を抽出し、変形学習に活用することで、より整合性の高い3D変形モデリングが可能となる。"
"実験結果から、提案手法は合成・実データともに従来手法を大幅に上回る性能を示すことが確認できた。"