ChatPaper.aiChatPaper

4Real-Video-V2 : Attention Fusionnée Vue-Temps et Reconstruction par Propagation Avant pour la Génération de Scènes 4D

4Real-Video-V2: Fused View-Time Attention and Feedforward Reconstruction for 4D Scene Generation

June 18, 2025
papers.authors: Chaoyang Wang, Ashkan Mirzaei, Vidit Goel, Willi Menapace, Aliaksandr Siarohin, Avalon Vinella, Michael Vasilkovsky, Ivan Skorokhodov, Vladislav Shakhrai, Sergey Korolev, Sergey Tulyakov, Peter Wonka
cs.AI

papers.abstract

Nous proposons le premier cadre capable de calculer une grille spatio-temporelle 4D d’images vidéo et de particules gaussiennes 3D pour chaque pas de temps en utilisant une architecture à propagation avant. Notre architecture comporte deux composants principaux : un modèle vidéo 4D et un modèle de reconstruction 4D. Dans la première partie, nous analysons les architectures actuelles de diffusion vidéo 4D qui effectuent l’attention spatiale et temporelle soit séquentiellement, soit en parallèle dans un design à deux flux. Nous mettons en évidence les limitations des approches existantes et introduisons une nouvelle architecture fusionnée qui effectue l’attention spatiale et temporelle au sein d’une seule couche. La clé de notre méthode réside dans un motif d’attention parcimonieux, où les tokens s’attachent à d’autres dans la même image, au même instant, ou depuis le même point de vue. Dans la deuxième partie, nous étendons les algorithmes de reconstruction 3D existants en introduisant une tête gaussienne, un algorithme de remplacement de token de caméra, ainsi que des couches dynamiques supplémentaires et un entraînement adapté. Globalement, nous établissons un nouvel état de l’art pour la génération 4D, améliorant à la fois la qualité visuelle et la capacité de reconstruction.
English
We propose the first framework capable of computing a 4D spatio-temporal grid of video frames and 3D Gaussian particles for each time step using a feed-forward architecture. Our architecture has two main components, a 4D video model and a 4D reconstruction model. In the first part, we analyze current 4D video diffusion architectures that perform spatial and temporal attention either sequentially or in parallel within a two-stream design. We highlight the limitations of existing approaches and introduce a novel fused architecture that performs spatial and temporal attention within a single layer. The key to our method is a sparse attention pattern, where tokens attend to others in the same frame, at the same timestamp, or from the same viewpoint. In the second part, we extend existing 3D reconstruction algorithms by introducing a Gaussian head, a camera token replacement algorithm, and additional dynamic layers and training. Overall, we establish a new state of the art for 4D generation, improving both visual quality and reconstruction capability.
PDF112June 24, 2025