[论文解读] SharpTimeGS: Sharp and Stable Dynamic Gaussian Splatting via Lifespan Modulation

Zhanfeng Liao, Jiajun Zhang+5 more|arXiv (Cornell University)|Feb 3, 2026

Computer Graphics and Visualization Techniques被引用 0

一句话总结

SharpTimeGS 引入可学习寿命以增强 4D 高斯分割，实现平顶时间可见性与寿命调制的运动，在高端硬件上实现接近实时的高保真渲染，达到最前沿水平。

ABSTRACT

Novel view synthesis of dynamic scenes is fundamental to achieving photorealistic 4D reconstruction and immersive visual experiences. Recent progress in Gaussian-based representations has significantly improved real-time rendering quality, yet existing methods still struggle to maintain a balance between long-term static and short-term dynamic regions in both representation and optimization. To address this, we present SharpTimeGS, a lifespan-aware 4D Gaussian framework that achieves temporally adaptive modeling of both static and dynamic regions under a unified representation. Specifically, we introduce a learnable lifespan parameter that reformulates temporal visibility from a Gaussian-shaped decay into a flat-top profile, allowing primitives to remain consistently active over their intended duration and avoiding redundant densification. In addition, the learned lifespan modulates each primitives' motion, reducing drift in long-lived static points while retaining unrestricted motion for short-lived dynamic ones. This effectively decouples motion magnitude from temporal duration, improving long-term stability without compromising dynamic fidelity. Moreover, we design a lifespan-velocity-aware densification strategy that mitigates optimization imbalance between static and dynamic regions by allocating more capacity to regions with pronounced motion while keeping static areas compact and stable. Extensive experiments on multiple benchmarks demonstrate that our method achieves state-of-the-art performance while supporting real-time rendering up to 4K resolution at 100 FPS on one RTX 4090.

研究动机与目标

• 驱动稳健的动态场景重建，在长期静态与短期动态区域之间实现平衡。
• 提供统一的带有每个原语可学习寿命的 4D 高斯表示。
• 通过寿命调制的可见性与运动实现清晰的时间边界与稳定优化。
• 通过速度感知初始化与密化策略提升收敛性与效率。

提出的方法

• 引入每个高斯原语的可学习寿命参数。
• 用平顶寿命轮廓替代传统的高斯时间衰减以控制可见性。
• 通过寿命相关因子调制每个原语的运动，使运动与持续时间解耦。
• 采用速度感知初始化以分离动态与静态区域并相应分配先验。
• 实现寿命–速度感知的密化，以在保持静态区域紧凑的同时为动态区域分配更多容量。
• 使用重建损失与正则化及辅助密化损失进行训练，包括时间跨度与不透明度正则化项。

实验结果

研究问题

• RQ1 每个原语寿命如何提升 4D 高斯分割中静态与动态区域的表示？
• RQ2 寿命调制是否能在不牺牲动态保真度的前提下实现稳定的长期渲染？
• RQ3 速度感知初始化与密化策略是否提升动态场景中的优化收敛与细节？
• RQ4 用平顶寿命轮廓替代高斯时间衰减对时间边界与运动拖拽有哪些影响？

主要发现

• 在 Neural3DV、ENeRF-Outdoor 与 SelfCap 数据集上实现了最先进的渲染质量。
• 在 RTX 4090 上实现高达 4K、100 FPS 的真实时间渲染。
• 平顶寿命可见性与寿命调制的运动降低了运动拖拽与长期漂移。
• 速度感知初始化与密化提升收敛性并为动态区域分配容量。
• 消融研究表明各组成部分（4D 表征、时间可见性、密化、初始化）均对性能提升有贡献。
• 在多个指标（PSNR、SSIM、LPIPS）上优于基于变形的及其他 4D 高斯基线。