DyST: Towards Dynamic Neural Scene Representations on Real-World Videos

要約

世界の視覚的な理解は、個々の画像の意味論やフラットな構造を超えています。
この研究では、単眼の現実世界のビデオから現実世界のシーンの 3D 構造とダイナミクスの両方をキャプチャすることを目指しています。
当社のダイナミック シーン トランスフォーマー (DyST) モデルは、ニューラル シーン表現における最近の研究を利用して、単眼現実世界ビデオのシーン コンテンツ、ビューごとのシーン ダイナミクス、およびカメラ ポーズへの潜在的な分解を学習します。
この分離は、単眼ビデオと新しい合成データセット DySO に関する新しい共同トレーニング スキームを通じて実現されます。
DyST は、動的シーンの具体的な潜在表現を学習し、カメラとシーンのコンテンツを個別に制御してビューを生成できるようにします。

要約(オリジナル)

Visual understanding of the world goes beyond the semantics and flat structure of individual images. In this work, we aim to capture both the 3D structure and dynamics of real-world scenes from monocular real-world videos. Our Dynamic Scene Transformer (DyST) model leverages recent work in neural scene representation to learn a latent decomposition of monocular real-world videos into scene content, per-view scene dynamics, and camera pose. This separation is achieved through a novel co-training scheme on monocular videos and our new synthetic dataset DySO. DyST learns tangible latent representations for dynamic scenes that enable view generation with separate control over the camera and the content of the scene.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google