EvoGS: Modeling Deformation Evolution for Dynamic Gaussian Splatting

📄 arXiv: 2609.00994v1 📥 PDF

作者: Wei Dong, Shahram Shirani, Jun Chen, Han Zhou

分类: cs.CV

发布日期: 2026-09-01

备注: Accepted by Pacific Graphics 2026 (journal track)

💡 一句话要点

提出EvoGS以解决动态场景中高效重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 动态场景重建 高斯点云 时间演化 多层感知机 新视角合成 鲁棒性 虚拟现实 增强现实

📋 核心要点

  1. 现有的基于MLP的方法在动态场景中独立估计变形，缺乏对大幅度运动的鲁棒性。
  2. EvoGS通过建模高斯变形的时间演化过程，保持持久的变形状态，并利用历史数据推断未来状态。
  3. 实验结果显示EvoGS在动态新视角合成中显著提高了重建质量，且在多个基准测试中表现优异。

📝 摘要（中文）

近年来，3D高斯点云（3DGS）的扩展使得在动态场景中实现实时新视角合成成为可能，但现有的基于多层感知机（MLP）的方法通常在每个时间戳独立估计变形，导致对大幅度或突发运动的鲁棒性不足。为了解决这一问题，本文提出了EvoGS，一个基于3DGS的动态重建框架，通过将高斯变形建模为时间演化过程来增强鲁棒性。EvoGS为每个高斯保持持久的变形状态，从历史变形状态中推断未来状态，并利用MLP生成的观测值进行修正。修正过程采用时间残差记忆和变形速度、轨迹偏差等演化统计信息进行自适应加权。实验结果表明，EvoGS在动态新视角合成质量上有显著提升，并在各项基准测试中表现出竞争力。

🔬 方法详解

问题定义：本文旨在解决动态场景中高斯变形估计的鲁棒性不足问题。现有方法在每个时间点独立估计变形，导致对快速运动的响应不够准确。

核心思路：EvoGS通过将高斯变形视为一个时间演化过程，保持每个高斯的持久变形状态，并利用历史变形信息来推断未来状态，从而提高了对动态变化的适应能力。

技术框架：EvoGS的整体架构包括持久变形状态的维护、历史状态的推断、MLP观测值的修正，以及基于变形方向的克隆和分裂操作。

关键创新：EvoGS的主要创新在于引入时间残差记忆和演化统计信息，使得变形修正过程能够自适应加权，从而增强了模型对动态场景的适应性和鲁棒性。

关键设计：在设计中，EvoGS采用了不确定性感知策略，以抑制对变形历史不稳定的高斯的密集化处理，同时在修正过程中考虑了变形速度和轨迹偏差等因素。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，EvoGS在动态新视角合成中相较于现有基准方法提升了重建质量，具体性能数据未提供，但整体表现显示出显著的竞争力，尤其在处理复杂动态场景时的优势明显。

🎯 应用场景

EvoGS在动态场景重建中的应用潜力巨大，特别是在虚拟现实、增强现实和影视制作等领域。通过提高动态新视角合成的质量，该技术能够为用户提供更为真实和沉浸的体验，推动相关行业的发展。

📄 摘要（原文）

Recent extensions of 3D Gaussian Splatting (3DGS) enable real-time novel view synthesis in dynamic scenes by learning time-conditioned Gaussian deformations. However, existing MLP-based methods typically estimate deformations independently at each timestamp, making them less robust to large or abrupt motions. To address this issue, we propose \textbf{EvoGS}, a 3DGS-based dynamic reconstruction framework that models Gaussian deformation as a temporal evolution process. EvoGS maintains persistent deformation states for each Gaussian, extrapolates future states from historical deformation states, and corrects the predictions with MLP-derived observations. The correction is adaptively weighted using a temporal residual memory and evolution statistics such as deformation velocity and trajectory deviation. To further improve reconstruction quality, EvoGS introduces deformation-aware densification. Clone and split operations are performed along corrected deformation directions, while an uncertainty-aware strategy suppresses densification for Gaussians with unstable deformation histories. Experiments show that EvoGS improves dynamic novel view synthesis quality and achieves competitive performance across benchmarks.