基于骨架驱动的稀疏视图4D重建
统计方法学
2026-01-05 v1 统计理论
机器学习
统计理论
摘要
在大范围内动态目标的稀疏视图4D重建具有挑战性。标准方法需要在观察空间和时间维度上都实现密集覆盖，通常依赖于在每个时间步骤捕获的多视角视频。然而，这类设置仅适用于受限环境。在实际场景中，观察在时间和从多样化视角（例如从安防摄像头）捕获时往往是稀疏的，这使得动态重建高度难以确定。我们提出了SV-GS框架，同时在稀疏观察下估计变形模型和物体的运动。为初始化SV-GS，我们利用粗略骨架图和初始静态重建作为输入，以引导运动估计。（我们随后表明，这一输入要求可以放宽。）本方法优化由粗糙骨架关节点姿态估计器和细粒度变形模块组成的骨架驱动变形场。仅使关节点估计器具有时间依赖性，使模型能够在保持已学习几何细节的同时实现平滑运动插值。在合成数据集上实验表明，在稀疏观察下，我们的方法比现有方法提高了最高34%的PSNR；尽管使用了显著少于帧数的镜头，在真实数据集上也实现了与稠密单目视频方法相当的性能。此外，我们演示了初始静态重建可以被替换为基于扩散的生成先验，从而使方法在实际场景中更加实用。
引用
@article{arxiv.2601.00284,
title = {Deep learning estimation of the spectral density of functional time series on large domains},
author = {Neda Mohammadi and Soham Sarkar and Piotr Kokoszka},
journal= {arXiv preprint arXiv:2601.00284},
year = {2026}
}