Instant4D: 4D-Gauß-Splatting in Minuten

Instant4D: 4D Gaussian Splatting in Minutes

October 1, 2025

papers.authors: Zhanpeng Luo, Haoxi Ran, Li Lu

cs.AI

papers.abstract

Die dynamische Ansichtsynthese hat bedeutende Fortschritte erzielt, doch die Rekonstruktion von Szenen aus unkalibrierten, beiläufigen Videos bleibt aufgrund langsamer Optimierung und komplexer Parameterschätzung eine Herausforderung. In dieser Arbeit präsentieren wir Instant4D, ein monokulares Rekonstruktionssystem, das eine native 4D-Darstellung nutzt, um beiläufige Videosequenzen innerhalb von Minuten effizient zu verarbeiten, ohne kalibrierte Kameras oder Tiefensensoren. Unser Verfahren beginnt mit der geometrischen Wiederherstellung durch Deep Visual SLAM, gefolgt von einem Grid-Pruning, um die Szenendarstellung zu optimieren. Unser Design reduziert die Redundanz erheblich, während die geometrische Integrität erhalten bleibt, und verringert die Modellgröße auf weniger als 10 % des ursprünglichen Umfangs. Um zeitliche Dynamiken effizient zu handhaben, führen wir eine optimierte 4D-Gauß-Darstellung ein, die eine 30-fache Beschleunigung erreicht und die Trainingszeit auf unter zwei Minuten reduziert, während gleichzeitig eine wettbewerbsfähige Leistung über mehrere Benchmarks hinweg erhalten bleibt. Unser Verfahren rekonstruiert ein einzelnes Video innerhalb von 10 Minuten auf dem Dycheck-Datensatz oder für ein typisches 200-Bild-Video. Wir wenden unser Modell weiterhin auf Videos in natürlicher Umgebung an und demonstrieren dessen Generalisierbarkeit. Unsere Projektwebsite ist unter https://instant4d.github.io/ veröffentlicht.

English

Dynamic view synthesis has seen significant advances, yet reconstructing scenes from uncalibrated, casual video remains challenging due to slow optimization and complex parameter estimation. In this work, we present Instant4D, a monocular reconstruction system that leverages native 4D representation to efficiently process casual video sequences within minutes, without calibrated cameras or depth sensors. Our method begins with geometric recovery through deep visual SLAM, followed by grid pruning to optimize scene representation. Our design significantly reduces redundancy while maintaining geometric integrity, cutting model size to under 10% of its original footprint. To handle temporal dynamics efficiently, we introduce a streamlined 4D Gaussian representation, achieving a 30x speed-up and reducing training time to within two minutes, while maintaining competitive performance across several benchmarks. Our method reconstruct a single video within 10 minutes on the Dycheck dataset or for a typical 200-frame video. We further apply our model to in-the-wild videos, showcasing its generalizability. Our project website is published at https://instant4d.github.io/.