ReFlow：用于动态场景重建的自纠正运动学习
计算机视觉与模式识别
2026-04-03 v1 人工智能
摘要
我们提出ReFlow，一个用于单目动态场景重建的统一框架，通过以新颖的自纠正方式从原始视频中学习 3D 运动。现有方法常因动态区域的初始化不完整而导致重建和运动估计不稳定，往往依赖外部稠密运动指导（如预计算的光流）以进一步稳定和约束动态组件的重建。然而，这会引入额外的复杂性和潜在误差传播。为此，ReFlow集成了用于增强静态和动态区域初始化的 Complete Canonical Space Construction 模块，以及用于针对性运动监督的 Separation-Based Dynamic Scene Modeling 模块，将静态和动态组件解耦。ReFlow的核心是一种新颖的自纠正流匹配机制，包括用于将 3D 场景流与时间变化的 2D 观察对齐的 Full Flow Matching，以及用于强制静态对象的多视角一致性的 Camera Flow Matching。这些模块共同实现了稳健且准确的动态场景重建。广泛的实验表明，ReFlow在各种场景下均实现了卓越的重建质量和鲁棒性，确立了单目 4D 重建的一种新颖自纠正范式。
引用
@article{arxiv.2604.01561,
title = {ReFlow: Self-correction Motion Learning for Dynamic Scene Reconstruction},
author = {Yanzhe Liang and Ruijie Zhu and Hanzhi Chang and Zhuoyuan Li and Jiahao Lu and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2604.01561},
year = {2026}
}
备注
Project page: https://rosetta-leong.github.io/ReFlow_Page/ {this https URL}