MoRGS：用于流式动态 3D 场景的高效 per-Gauss 运动推理
计算机视觉与模式识别
2026-03-27 v1
摘要
在线动态场景重建旨在应对低延迟约束下的流式多视角输入学习。3D 高斯渲染的快速训练和实时渲染能力使基于此的在线 4D 重建在实践中变得可行。然而，现有在线方法尽管高效且视觉质量良好，却未能学习反映真实场景动态的 per-Gauss 运动。缺乏显式运动线索，外观和运动仅在光度损失下优化，导致 per-Gauss 运动追随像素残差而非真实 3D 运动。为此，我们提出了 MoRGS—a 个高效的在线 per-Gauss 运动推理框架，显式建模 per-Gauss 运动以提升 4D 重建质量。具体而言，我们利用稀疏关键视角上的光流作为轻量级运动线索，对 per-Gauss 运动进行光度监督之外的正则化。为补偿流监睈稀疏性，我们学习一个 per-Gauss 运动偏移场，在视角和时间跨度内协调投影 3D 运动与观测光流之间的差异。此外，我们引入 per-Gauss 运动置信度，以分离动态与静态高斯，并加权高斯属性残差更新，从而抑制静态区域的冗余运动，提高时序一致性并加速大位移运动的建模。广泛的实验表明，MoRGS 在保持可流式性能的同时，在在线方法中实现了领先的重建质量和运动保真度。
引用
@article{arxiv.2603.25042,
title = {MoRGS: Efficient Per-Gaussian Motion Reasoning for Streamable Dynamic 3D Scenes},
author = {Wonjoon Lee and Sungmin Woo and Donghyeong Kim and Jungho Lee and Sangheon Park and Sangyoun Lee},
journal= {arXiv preprint arXiv:2603.25042},
year = {2026}
}