基于数据分析的自适应 Gabor 表示用于动态场景重建
计算机视觉与模式识别
2026-01-05 v1
摘要
从单目视频重建动态 3D 场景需要同时捕获高频外观细节和连续的运动。现有方法使用单个高斯原始块受限于其低通滤波本质，而标准 Gabor 函数则引入能量不稳定性。此外，缺乏时间连续性约束常导致插值期间出现运动伪影。我们提出了 AdaGaR，一个统一框架解决频率适应性和时间连续性于显式动态场景建模。我们引入自适应 Gabor 表示，通过可学习的频率权重和自适应能量补偿来平衡细节捕获和稳定性。对于时间连续性，我们采用带有时间曲率正则化的三次 Hermite 样条，以确保平滑的运动演化。一个自适应初始化机制结合深度估计、点跟踪和前景掩码在早期训练中建立稳定的点云分布。在 Tap-Vid DAVIS 上的实验表明该方法实现了最先进的性能（PSNR 35.49，SSIM 0.9433，LPIPS 0.0723），并在帧插值、深度一致性、视频编辑和立体视图合成方面表现出强大的泛化能力。项目页面：https://jiewenchan.github.io/AdaGaR/
引用
@article{arxiv.2601.00796,
title = {AdaGaR: Adaptive Gabor Representation for Dynamic Scene Reconstruction},
author = {Jiewen Chan and Zhenjun Zhao and Yu-Lun Liu},
journal= {arXiv preprint arXiv:2601.00796},
year = {2026}
}
备注
Project page: https://jiewenchan.github.io/AdaGaR/