[論文レビュー] Grow with the Flow: 4D Reconstruction of Growing Plants with Gaussian Flow Fields

Weihan Luo, Lily Goli+4 more|arXiv (Cornell University)|Feb 9, 2026

Plant Molecular Biology Research被引用数 0

ひとこと要約

GrowFlowは植物の成長を連続的な3Dガウス流としてモデル化し、ニューラルODEによって時間拡張された正しい成長再構成を実現する。3Dガウスと空間-時間HexPlaneエンコーダを用いて成長ダイナミクスを予測し、逆成長訓練と流れの再生によって新しい構造の導入を可能にする。

ABSTRACT

Modeling the time-varying 3D appearance of plants during growth poses unique challenges: unlike most dynamic scenes, plants continuously generate new geometry as they expand, branch, and differentiate. Existing dynamic scene representations are ill-suited to this setting: deformation fields provide insufficient constraints to yield physically plausible scene dynamics, and 4D Gaussian splatting represents the same physical structures with different Gaussian primitives at different times, breaking temporal consistency. We introduce GrowFlow, a dynamic representation that couples 3D Gaussian primitives with a neural ordinary differential equation to model plant growth as a continuous flow field over geometric parameters (position, scale, and orientation). Our representation enables consistent appearance rendering and models nonlinear, continuous-time growth dynamics with full temporal correspondences for every primitive. To initialize a sufficient set of Gaussian primitives, we first reconstruct the mature plant and then learn a reverse-growth process, effectively simulating the plant's developmental history in reverse. GrowFlow achieves superior image quality and geometric coherence compared to prior methods on a new, multi-view timelapse dataset of plant growth, and provides the first temporally coherent representation for appearance modeling of growing 3D structures.

研究の動機と目的

• 時間とともに新しい形状が現れる成長植物の4D再構成を正確に動機づける。
• 3Dガウス原 primitivesを用いた植物成長の連続時間力学系を提案する。
• 逆成長と学習済み流れ場を通じて時間とともに新しい構造の導入を可能にする。
• 単調成長の仮定を維持しつつ、写真測定および幾何学的精度を高める。
• 合成および実世界の多視点 timelapse 植物データで最先端の性能を示す。

提案手法

• シーンを幾何パラメータが時間とともに進化する3Dガウススプラットで表現する。
• 時刻依存の evoluciónを、ガウス中心、回転、スケールを支配する速度場F_φでモデル化する。
• 時空的HexPlaneエンコーダとMLPデコーダを用いて各ガウスの速度を予測する。
• 境界再構成、区分的逆積分、グローバル最適化を含む多段階の訓練手順。
• 逆成長を採用：ガウスを時間の逆方向に縮小させ、その後流れを反転させて前方成長を得る。

Figure 2 : Method overview. a) Our method first optimizes a set of 3D Gaussians on the fully-grown plant. b) Using the optimized 3D Gaussians from the fully-grown plant, we progressively train the dynamics model to learn the state of the plant at each timestep. After each reconstructed timestep, we

実験結果

リサーチクエスチョン

• RQ1 連続時間のガウス流モデルは、時間を超えて非剛性かつトポロジ変化を伴う植物の成長を捉えられるか。
• RQ2 成長を反転させてガウスを縮小することは微分可能最適化と安定した訓練を促進するか。
• RQ3 GrowFlowは合成データおよび実データの多視点 timelapse 植物に対して、幾何学的忠実性と写真品質の点で最先端ベースラインと比べてどうか。
• RQ4 時空的HexPlaneエンコーダは成長軌跡を捉えるのに必須か。

主な発見

Method	Training PSNR (dB) ↑	Training SSIM ↑	Training LPIPS ↓	Training CD ↓	Interpolation PSNR (dB) ↑	Interpolation SSIM ↑	Interpolation LPIPS ↓	Interpolation CD ↓	Combined PSNR (dB) ↑	Combined SSIM ↑	Combined LPIPS ↓	Combined CD ↓
4D-GS	33.04	0.946	0.094	0.73	32.77	0.944	0.094	0.78	32.81	0.944	0.094	0.77
4DGS	30.19	0.939	0.107	12.00	29.11	0.905	0.145	11.95	29.29	0.910	0.138	11.96
Dynamic 3DGS	32.48	0.912	0.154	13.18	32.03	0.908	0.158	13.64	32.11	0.909	0.157	13.56
Ours	35.43	0.957	0.065	0.10	34.93	0.955	0.066	0.11	35.02	0.956	0.066	0.11

• GrowFlowは、見えている時刻と補間時刻の両方で幾何学的に一貫した成長軌道を達成する。
• 合成データにおいて、幾何学的精度（Chamfer距離）および画像品質（PSNR、SSIM、LPIPS）でベースラインを上回る。
• 実世界の撮像場では、GrowFlowは新規視点レンダリングと安定した補間で優れた結果を示し、ベースラインは苦戦する。
• HexPlaneベースの時空エンコーダと境界再構成ステージは性能に不可欠で、それらを置換すると結果が劣化する。
• 逆成長訓練は非微分可能な追加なしに新しい幾何を継続的に導入できる。

Figure 3 : Results on synthetic data. We compare results on both seen and interpolated times. GrowFlow achieves stable, coherent geometry, unlike prior methods that show visually correct RGB but inconsistent deformations. Yellow marks interpolated frames.