ClipGStream：用于任意长度和任意运动的多视图动态场景重建的 Clip-Stream 高斯溅射
计算机视觉与模式识别
2026-04-16 v1
摘要
动态 3D 场景重建是沉浸式媒体（如 VR、MR、XR）的关键任务，但对于具有大规模运动的长时段多视图序列仍具挑战。现有的动态高斯方法要么是 Frame-Stream，具可扩展性但时序稳定性差，要么是 Clip，实现局部一致性但内存占用高且序列长度受限。我们提出 ClipGStream，一种在 Clip 级别而非帧级别进行流式优化的混合重建框架。将序列划分为短 Clip，在每个 Clip 内使用与 Clip 无关的时空场和残差锚点补偿高效捕捉局部变化；通过跨 Clip 继承的锚点和解码器维持结构一致性。这种 Clip-Stream 设计实现了对长动态视频的可扩展、无闪烁的重建，具有高度时序一致性和降低内存开销。大量实验表明，ClipGStream 在重建质量和效率方面实现了最佳性能。项目页面可访问：https://liangjie1999.github.io/ClipGStreamWeb/。
引用
@article{arxiv.2604.13746,
title = {ClipGStream: Clip-Stream Gaussian Splatting for Any Length and Any Motion Multi-View Dynamic Scene Reconstruction},
author = {Jie Liang and Jiahao Wu and Chao Wang and Jiayu Yang and Xiaoyun Zheng and Kaiqiang Xiong and Zhanke Wang and Jinbo Yan and Feng Gao and Ronggang Wang},
journal= {arXiv preprint arXiv:2604.13746},
year = {2026}
}
备注
CVPR 2026, Project pages: https://liangjie1999.github.io/ClipGStreamWeb/