To GS-er, to pay tribute to our great GS author(s): all (open-sourced so far) dynamic/4d GS (generative) in one picture.

[yuedajiong]

2310.08528 4D Gaussian Splatting for Real-Time Dynamic Scene Rendering

2312.16812 Spacetime Gaussian Feature Splatting for Real-Time Dynamic View Synthesis

2312.17142 DreamGaussian4D Generative 4D Gaussian Splatting

2312.17225 4DGen Grounded 4D Content Generation with Spatial-temporal Consistency

2310.10642 Real-time Photorealistic Dynamic Scene Representation and Rendering with 4D Gaussian Splatting

[yuedajiong]

水平有限，理解的不对，欢迎指正！

[yuedajiong]

水平有限，斗胆乱点评一通：

1. task-definition & generative: 现在这些GS的4D(dynamic/temporal-spatial/space-time/time-dependent)的算法，都还是中间/临时/过渡算法。
   GS方向4D算法，最终一定是个generative问题而不是reconstruciton问题。按照构造一个高质量的human为例，几千张图片都未必够： 1)components-details: face, eyes, hands, ... 2)dynamic: ..... (likes SMPLX). 做专业的电影可以放松成本，如果做个to-C的应用，用户最多绕一个人拍一段几秒几十秒的普通质量的视频，甚至更方便的只是在人的正面拍若干帧。
   最理想的任务定义：
   1.1 dynamic even interactive-supported:
   GS++-static(accurate surface) + dynamic-delta= f_perfect_interactive(image[s], [text for detial or motion], [ui], timestape)
   1.2 visual-only:
   GS + dynamci-detal = f_perfect_visual-effect-only(image[s], [text for detial or motion], [ui], timestape or timeloop)

2. dynamic-representation: 从4D且interactive来看，除了dynamic，还有与不同对象互作，比如shape改变
   仅仅dynamic来说，个人感觉smpl-x的这种，就比较好：
   (standard) mesh + delta-matrix(for shape, ...)
   类似的，
   (standard, static) GS (with surface-optimized) + delta-matrix(for shape, ...)
   这样可以delta-matrix表示的很小，甚至进一步矩阵分解来减小，非常快的把运动表示出来，在渲染时计算。 一句话，就不需要保存MLP甚至更大的网络中了。
   （个人没有CG背景，学习的有限，一下想不清楚，当有复杂的灯光和反射的时候，SH上的变化如何表示和计算。仅仅变化SH可能就不够了，因为灯光和视角的变化，导致可能很大的GS点需要细化成小点的）
   上面 4D方向比较好的文章，三篇都不包含color，最复杂的关于颜色/纹理，也只是变换了O和C/feature。当视角甚至灯光变化的时候，比如“怼“到一个人物眼睛上去看的时候，整个眼睛就一个高斯椭球都有可能。

3. priori & generation
   上面后面两篇，侧重了gen，其先验（多视角和一致性）哪里来？ 现在都是在2D的模型上的。所以我们可以看到那两篇文章，为了辗转去利用2D priori，搞得网络非常复杂。(mesh方向也是一样的，99%的研究者都是从objvarse->zero123(-xl)来获取shape的priori，有但很少的算法直接gen到mesh-3d/4d，我感觉不是这条路不行，而是去构造数据集的的工作量超过了很多组可以承受的成本)
   个人大胆估计，可以搞直接3D的。 比如从objvarse上，硬算法或者fit的方式构造出GS（甚至带表面约束的；不考虑SuGaR这种单点沿表面扁平和所有点向表面对齐还不行，这个约束还很重要，决定了这个数据集是一个真3D甚至4D还是一个2.5D的）数据集，然后直接： image -> f_4d_gen(.) -> 4d-GS（with surface const.）

[yuedajiong]

再读DreamGaussian4D:
2D/image --> 4D/time+space

1. 含时/运动的先验哪里来： Image2Video Diffusion: stable-video-diffusion-img2vid
   个人理解：世界上各种物体运动非常复杂：瑞士钟表，人脸表情，水波烟花头发，...
   想通过Stable那个Diffusion就搞定模型，简单小动画意思一下可以。
   比如人体的运动，这个方向研究是折腾的最多的小方向，SMPLX等为代表，要想一张几张照片就输入，（通过文字或者火柴人或者示例动作视频）就产生很好的动作，太难了。 这个是个很脏的活儿，要针对不同的大的运动类型，走不同的技术路线；在每类运动（比如刚体/机械运动，流体运动，准刚体运动（内部骨骼+外部的皮肉）），然后还要至少对类别（比如马、人）分别做。 假设我们想建立一个上帝的大脑的级别，“一个系统/ 不是一个模型”，还得通过memory-network，或者differentable-hash类的，存储千千万万的对象的运动；搞成LLM/GPT那种一个超大模型不太好，那视觉上的幻觉，估计产生出来的动画视频，会非常的摇曳多姿，现在SMPLX这种控制的不到位，腿就可能弯曲，手就伸到身体里了。
   人体的很多，补充一个动物的：https://huggingface.co/papers/2401.02400

2. 立体的先验哪里来：SD(SD+MVDream) + Zero123
   简单的说，就是把GS的rendered images和Zero123各位姿下的输出images建loss
   个人理解：由于行业还没有suface约束很强的zero123之GS出来，所以通过mesh这么绕了一圈得到多视图再通过GS来恢复出2.5D的立体。这个的限制在于Zero123等几个模型的能力。

[yuedajiong]

再读4DGen：
2D/image(SSSSSS)/video --> 4D/time+space

1. 含时/运动的先验哪里来：Deformation from Input Video
   简单的说：算法实现Deformation看起来是在gs recon的时候，实际通过那个timestamp对应deform_table，通过loss，最终要的信息在输入视频的不同帧之间。
   也就是说，这里没有额外的“生成”“动作”，在尽力的“重构”输入的视频的动作。

2. 立体的先验哪里来：Zero123
   如果输入的视频中，含有一定的视角变化，或者对象有旋转，有一定的多视图，那么也蕴含立体信息。但上面第一步中，是否擅长抓住这里的立体信息，应该与算法强相关，比如那里MV Diff的能力。

step by step, custom data(monk) :
VITA-Group/4DGen#2

[yuedajiong]

当输入一个图片，“生成”为含时立体的4D，其中立体结构和含时动态，现在大家基本都在2D空间完成的，所以得需要：
1 既要视角多（无论相机各种转和移，还是对象各种转和移） : zero123
2 还要自身动作变化包含的帧多 : *** motion

[yuedajiong]

又有一篇新论文开源：他这里的4D表示，值得学习。
Real-time Photorealistic Dynamic Scene Representation and Rendering with 4D Gaussian Splatting
https://github.com/fudan-zvg/4d-gaussian-splatting
https://arxiv.org/pdf/2310.10642.pdf

fudan-zvg/4d-gaussian-splatting#10