はじめに

UIST 2025で発表された「GaussianNexus」を紹介します。3D Gaussian Splatting（3DGS）は高品質だけど静的シーン向け、という弱点を「再学習しない」設計で回避し、テレプレゼンスに持ち込んだ研究です。

論文情報

タイトル：GaussianNexus: Room-Scale Real-Time AR/VR Telepresence with Gaussian Splatting
著者：Xincheng Huang, Dieter Frehlich, Ziyi Xia, Peyman Gholami, Robert Xiao（University of British Columbia）
学会：UIST '25
DOI：https://doi.org/10.1145/3746059.3747693
デモ動画：https://www.youtube.com/watch?v=Zhwz78TgYaw

※本記事は筆者による要約です。正確な内容は原論文を参照してください。

3行まとめ

先行研究のSharedNeRFはNeRFを数秒おきに再学習して更新していましたが、卓上スケール限定で、更新も離散的でした。

GaussianNexusは更新を2種類に分けて扱います。

重い処理（撮影・3DGS学習・セグメンテーション）を事前準備フェーズに寄せることで、実行時の再学習をなくしています。

一度準備すれば、次のセッションで物体の配置が変わっていても再検出して追跡できます。

単眼の360度映像から、物体の 4自由度（XYZ位置＋鉛直軸まわりの回転） を推定します。

「レンダリングして比較する（analysis-by-synthesis）」形で姿勢を合わせているのがポイントです。

9名のユーザースタディ（部屋のレイアウト検討タスク）ではSUSスコア85で、約1秒の遅延は気づかれるものの作業の妨げにはならなかった、という結果でした。

本記事は以下の論文を筆者が要約・翻訳したものです（内容の正確さは原論文を参照してください）。

Xincheng Huang, Dieter Frehlich, Ziyi Xia, Peyman Gholami, Robert Xiao. "GaussianNexus: Room-Scale Real-Time AR/VR Telepresence with Gaussian Splatting." UIST '25. https://doi.org/10.1145/3746059.3747693
原論文は CC BY-NC-SA 4.0 で公開されています。
本記事中の論文に基づく部分（要約・翻訳・図）も同ライセンスで提供します。
図は原論文より引用しています（Figure 1 など、番号を明記）。