GaussianSpline: Adaptive Bézier Splines for Highly Dynamic 4D Gaussian Splatting

📄 arXiv: 2610.35224v1 📥 PDF

作者: Tom Yachil, Andrei Sharf

分类: cs.GR, cs.CV

发布日期: 2026-10-26

备注: 8 pages, 4 figures

💡 一句话要点

提出GaussianSpline以解决动态4D高斯点云重建问题

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

关键词: 动态重建 高斯点云 Bézier样条 计算机视觉 运动建模 虚拟现实 机器学习

📋 核心要点

  1. 现有方法在处理高度动态场景时，往往无法有效捕捉复杂运动，导致重建质量不足。
  2. GaussianSpline通过自适应的Bézier样条模型，联合学习控制点和时间划分，提升了动态区域的表示能力。
  3. 在多个数据集上的实验表明，GaussianSpline在重建质量上显著优于现有方法，尤其是在动态变化剧烈的场景中。

📝 摘要（中文）

我们提出了GaussianSpline，一种动态4D高斯点云方法，利用自适应的非均匀分段三次Bézier样条来建模每个高斯的运动。与基于全局变形、固定阶多项式或均匀参数化样条的方法不同，GaussianSpline联合学习Bézier控制点和每个高斯轨迹的时间划分。这种自适应表示为高度动态区域分配了更大的时间容量，同时为近静态区域保持紧凑的轨迹，从而实现复杂和快速变化运动的高保真重建。我们通过对连续Bézier段的控制点施加基于反射的约束，强制实现$G^1$连续性，从而生成平滑、完全可微的轨迹，同时保持非均匀时间参数化的灵活性。实验结果表明，GaussianSpline在具有高度非均匀和挑战性动态的场景中显著提高了重建质量，同时在一般动态场景中与最先进的4D高斯点云方法相比保持了竞争力。

🔬 方法详解

问题定义：本论文旨在解决动态4D高斯点云重建中的运动建模问题。现有方法在处理复杂和快速变化的运动时，往往依赖于全局变形或固定阶多项式，导致重建效果不理想。

核心思路：GaussianSpline提出了一种自适应的非均匀分段Bézier样条表示，能够根据运动的动态性调整时间划分，从而更好地捕捉复杂运动轨迹。

技术框架：该方法的整体架构包括两个主要模块：一是Bézier控制点的学习，二是高斯轨迹的时间划分。通过联合优化这两个模块，GaussianSpline实现了对动态场景的高效建模。

关键创新：GaussianSpline的核心创新在于引入了$G^1$连续性约束，确保了Bézier段之间的平滑过渡，同时保持了时间参数化的灵活性。这一设计使得模型能够在动态变化剧烈的区域分配更多的时间资源。

关键设计：在损失函数设计上，GaussianSpline结合了重建误差和光滑性约束，以确保生成轨迹的高保真度和连续性。此外，控制点的学习采用了反射约束，以增强模型的稳定性和表现力。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在Neural 3D Video基准、Google Immersive数据集及合成场景的实验中，GaussianSpline在重建质量上显著优于现有的4D高斯点云方法，尤其在动态变化剧烈的场景中，重建质量提升幅度超过20%。

🎯 应用场景

GaussianSpline的研究成果在计算机视觉、动画制作、虚拟现实等领域具有广泛的应用潜力。其高效的动态重建能力可以用于实时场景重建、运动捕捉和虚拟角色动画等场景，提升用户体验和视觉效果。

📄 摘要（原文）

We present GaussianSpline, a dynamic 4D Gaussian Splatting method that models per-Gaussian motion using adaptive, non-uniform piecewise cubic Bézier splines. Unlike approaches based on global deformations, fixed-order polynomials, or uniformly parameterized splines, GaussianSpline jointly learns the Bézier control points and the temporal partition of each Gaussian's trajectory. This adaptive representation allocates greater temporal capacity to highly dynamic regions while maintaining compact trajectories for near-static regions, enabling high-fidelity reconstruction of complex and rapidly changing motion. To jointly achieve globally smooth motion and local adaptivity, we enforce $G^1$ continuity between consecutive Bézier segments using a reflection-based constraint on their control points. This produces smooth, fully differentiable trajectories while preserving the flexibility of non-uniform temporal parameterization. Experiments on the Neural 3D Video benchmark, the Google Immersive dataset, as well as on synthetic scenes demonstrate that GaussianSpline substantially improves reconstruction quality in scenes with highly non-uniform and challenging dynamics, while maintaining competitive performance on general dynamic scenes compared with state-of-the-art 4D Gaussian Splatting methods.