HoloTime: Beherrschung von Video-Diffusionsmodellen für die Erzeugung panoramischer 4D-Szenen

HoloTime: Taming Video Diffusion Models for Panoramic 4D Scene Generation

April 30, 2025

Autoren: Haiyang Zhou, Wangbo Yu, Jiawen Guan, Xinhua Cheng, Yonghong Tian, Li Yuan

cs.AI

Zusammenfassung

Die rasante Weiterentwicklung von Diffusionsmodellen verspricht, die Anwendung von VR- und AR-Technologien zu revolutionieren, die typischerweise Szenen-basierte 4D-Assets für das Nutzererlebnis benötigen. Dennoch konzentrieren sich bestehende Diffusionsmodelle hauptsächlich auf die Modellierung statischer 3D-Szenen oder Objekt-basierter Dynamiken, was ihre Fähigkeit einschränkt, wirklich immersive Erlebnisse zu bieten. Um dieses Problem zu adressieren, schlagen wir HoloTime vor, ein Framework, das Video-Diffusionsmodelle integriert, um Panoramavideos aus einem einzigen Prompt oder Referenzbild zu generieren, sowie eine 360-Grad-4D-Szenenrekonstruktionsmethode, die das generierte Panoramavideo nahtlos in 4D-Assets umwandelt und so ein vollständig immersives 4D-Erlebnis für Nutzer ermöglicht. Konkret führen wir, um Video-Diffusionsmodelle für die Generierung hochwertiger Panoramavideos zu optimieren, das 360World-Dataset ein, die erste umfassende Sammlung von Panoramavideos, die sich für nachgelagerte 4D-Szenenrekonstruktionsaufgaben eignet. Mit diesem kuratierten Dataset schlagen wir Panoramic Animator vor, ein zweistufiges Bild-zu-Video-Diffusionsmodell, das Panoramabilder in hochwertige Panoramavideos umwandeln kann. Darauf aufbauend präsentieren wir Panoramic Space-Time Reconstruction, das eine Raum-Zeit-Tiefenschätzmethode nutzt, um die generierten Panoramavideos in 4D-Punktwolken zu transformieren und so die Optimierung einer ganzheitlichen 4D-Gaussian-Splatting-Darstellung zu ermöglichen, um räumlich und zeitlich konsistente 4D-Szenen zu rekonstruieren. Um die Wirksamkeit unserer Methode zu validieren, führten wir eine vergleichende Analyse mit bestehenden Ansätzen durch, die ihre Überlegenheit sowohl bei der Panoramavideogenerierung als auch bei der 4D-Szenenrekonstruktion zeigt. Dies demonstriert die Fähigkeit unserer Methode, ansprechendere und realistischere immersive Umgebungen zu schaffen und damit das Nutzererlebnis in VR- und AR-Anwendungen zu verbessern.

English

The rapid advancement of diffusion models holds the promise of revolutionizing the application of VR and AR technologies, which typically require scene-level 4D assets for user experience. Nonetheless, existing diffusion models predominantly concentrate on modeling static 3D scenes or object-level dynamics, constraining their capacity to provide truly immersive experiences. To address this issue, we propose HoloTime, a framework that integrates video diffusion models to generate panoramic videos from a single prompt or reference image, along with a 360-degree 4D scene reconstruction method that seamlessly transforms the generated panoramic video into 4D assets, enabling a fully immersive 4D experience for users. Specifically, to tame video diffusion models for generating high-fidelity panoramic videos, we introduce the 360World dataset, the first comprehensive collection of panoramic videos suitable for downstream 4D scene reconstruction tasks. With this curated dataset, we propose Panoramic Animator, a two-stage image-to-video diffusion model that can convert panoramic images into high-quality panoramic videos. Following this, we present Panoramic Space-Time Reconstruction, which leverages a space-time depth estimation method to transform the generated panoramic videos into 4D point clouds, enabling the optimization of a holistic 4D Gaussian Splatting representation to reconstruct spatially and temporally consistent 4D scenes. To validate the efficacy of our method, we conducted a comparative analysis with existing approaches, revealing its superiority in both panoramic video generation and 4D scene reconstruction. This demonstrates our method's capability to create more engaging and realistic immersive environments, thereby enhancing user experiences in VR and AR applications.