面向高效 4D 高斯分割的跟踪引导的迭代边界细化 TIBR4D

动态 4D 高斯场景中的对象级分割因复杂运动、遮挡和模糊边界而具有挑战性。本文提出一种高效无学习的 4D 高斯分割框架，将视频分割掩码提升至 4D 空间，其核心是两阶段迭代边界细化 TIBR4D。第一阶段是在时段级别进行的迭代高斯实例追踪 (IGIT)。它通过迭代追踪逐步细化高斯到实例概率，并提取相应的高斯点云，以较好地处理遮挡并保留对象结构的完整性，与现有基于单次阈值的方法相比优势更明显。第二阶段通过抑制边界附近高度不确定的高斯，同时保留其核心贡献，以实现帧级高斯渲染范围控制 (RCC)，从而获得更精确的边界。此外，本文提出一种用于 IGIT 的时段分割合并策略，以平衡身份一致性和动态感知。较长的时段施加更强的多帧约束以实现身份稳定，而较短的时段允许身份变化被及时捕获。在 HyperNeRF 和 Neu3D 上的实验表明，我们的方法相对于 SOTA 方法产生更准确的 object 高斯点云，边界更清晰且效率更高。